On Assessing Goodness of Fit of Generalized Linear Models to Sparse Data
稀疏数据下广义线性模型的拟合优度评估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：摘要研究一般广义线性模型的拟合优度，没有明确指定离散选择或其他所列计量模型，不能仅据模型名称选择领域细分。
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
稀疏数据下广义线性模型的拟合优度评估
- 研究问题
- 对采用非典范链接的广义线性模型，如何在数据稀疏时近似拟合优度统计量的分布，并减少参数估计带来的影响？
- 方法与思路
- 作者近似 Pearson 统计量的前三阶矩，提出与回归参数局部正交的一阶修正，并计算给定参数估计时修正统计量的条件矩。
- 材料陈述的贡献
- 摘要称，修正简化计算并提高功效，获得易计算的条件矩近似，同时给出相关渐近独立性结果及模拟和示例。
- 阅读关注点
- 应核对稀疏数据的定义、矩近似与一阶修正的条件、局部正交的含义，以及检验尺寸和功效比较是否使用相同校准。
- 阅读边界
- 仅据所给摘要，无法判断条件矩近似的误差范围或功效改善幅度；局部正交与渐近独立不能直接视为有限样本独立。
原文摘要
SUMMARY Approximations to the first three moments of Pearson's statistic are obtained for non-canonical generalized linear models, extending the results of McCullagh. A first-order modification to Pearson's statistic is proposed which induces local orthogonality with the regression parameters, resulting in substantial simplifications and increased power. Accurate and easily computed approximations to the moments of the modified Pearson statistic conditional on the estimated regression parameters are obtained for testing goodness of fit to sparse data. Both the Pearson statistic and its modification are shown to be asymptotically independent of the regression parameters. Simulation studies and examples are given.