Poisson reduced-rank models with an application to political text data
泊松降秩模型及其在政治文本数据中的应用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：摘要研究泊松计数降维与政治文本位置估计，未明确采用所列因子模型、离散选择或其他对应领域的方法。
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…
泊松降秩模型及其在政治文本数据中的应用
- 研究问题
- 如何从高维、可能存在相关性的泊松计数中提取低维位置，并据此研究政治文本所反映的政党立场及其演变？
- 方法与思路
- 作者采用泊松降秩模型和极大似然估计，在允许部分计数相关的弱依赖条件下估计低维位置，并构造维度选择规则。
- 材料陈述的贡献
- 摘要称位置估计及维度选择具有一致性，并用德国统一后七次联邦选举的政党宣言分析政党立场的多维演变。
- 阅读关注点
- 应核对弱依赖条件、低维位置的识别与归一化、维度选择规则，以及词频预处理如何影响政党位置的解释。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断弱依赖条件的具体范围或位置估计的不确定性处理，也不能推断其他版本变化。
原文摘要
Summary We discuss Poisson reduced-rank models for low-dimensional summaries of high-dimensional Poisson vectors that allow inference on the location of individuals in a low-dimensional space. We show that under weak dependence conditions, which allow for certain correlations between the Poisson random variables, the locations can be consistently estimated using Poisson maximum likelihood estimation. Moreover, we develop consistent rules for determining the dimension of the location from the discrete data. Our main motivation for studying Poisson reduced-rank models arises from applications to political text data, where word counts in a political document are modelled by Poisson random variables. We apply our method to party manifesto data taken from German political parties across seven federal elections following German reunification, to make statistical inferences on the multi-dimensional evolution of party positions.