A simple, flexible estimator for count and other ordered discrete data
计数及其他有序离散数据的简便灵活估计器AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究计数与有序离散响应的概率建模及协变量效应，在给定分类中最接近离散选择模型方向。
反馈分类问题正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
计数及其他有序离散数据的简便灵活估计器
- 研究问题
- 如何灵活建模计数及有序离散结果，估计协变量对期望计数的影响，并减少对可能不适当的便捷分布假设的依赖？
- 方法与思路
- 作者使用风险率分解描述离散分布，并以潜在结果构造一般数据生成机制，通过泊松及更复杂过程的模拟检验估计表现。
- 材料陈述的贡献
- 摘要称这些模型在泊松与较复杂生成过程中均能较好估计协变量对期望计数的影响，并有望减少分布设定依赖。
- 阅读关注点
- 应核对风险率分解的参数化、分布支持与尾部处理、潜在结果机制的作用，以及模拟中效应估计的评价标准。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断一致性条件和复杂过程范围；潜在结果表述本身不足以建立协变量效应的因果识别。
原文摘要
SUMMARY This paper examines a flexible way to model empirically discrete data outcomes using ‘hazard rate’ decompositions. It presents a general data‐generating mechanism based on potential outcomes to describe why the approach should work for almost any discrete distribution. Monte Carlo evidence indicates that these models estimate well the impacts of covariates on expected counts when the data follow a Poisson distribution. With data from more complex processes, these estimators continue to perform well. Since most economic count outcomes arise from occurrence‐dependent behavioral processes, using flexibly estimated distributions should reduce the dependence of results on convenient but invalid assumptions. Copyright © 2010 John Wiley & Sons, Ltd.