Generalized Linear Models for Small-Area Estimation
用于小区域估计的广义线性模型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：摘要研究一般小区域调查估计与空间层级模型，空间相关并未直接构成经济网络或其他所列方向的证据。
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…
用于小区域估计的广义线性模型
- 研究问题
- 面对小区域调查中的离散、分类和连续数据，如何通过层级模型连接不同地区，并保证使用弥散先验时后验分布仍然适定？
- 方法与思路
- 作者以层级贝叶斯广义线性模型统一处理不同类型数据，研究弥散先验下的后验适定性并扩展至空间模型，使用MCMC积分实现估计。
- 材料陈述的贡献
- 摘要称给出确保后验适定性的一般定理及其空间广义线性模型扩展，并通过两个例子说明方法，其中一个包含空间相关结构。
- 阅读关注点
- 应核对适定性定理对设计矩阵、先验与数据的要求、空间相关结构及其识别，以及MCMC收敛诊断和小区域估计的不确定性表达。
- 阅读边界
- 仅据稿件版本未注明的OpenAlex索引摘要；摘要未列出定理条件或示例结果，不能认为任意弥散先验和空间设定都保证后验适定。
原文摘要
Bayesian methods have been used quite extensively in recent years for solving small-area estimation problems. Particularly effective in this regard has been the hierarchical or empirical Bayes approach, which is especially suitable for a systematic connection of local areas through models. However, the development to date has mainly concentrated on continuous-valued variates. Often the survey data are discrete or categorical, so that hierarchical or empirical Bayes techniques designed for continuous variates are inappropriate. This article considers hierarchical Bayes generalized linear models for a unified analysis of both discrete and continuous data. A general theorem is provided that ensures the propriety of posteriors under diffuse priors. This result is then extended to the case of spatial generalized linear models. The hierarchical Bayes procedure is implemented via Markov chain Monte Carlo integration techniques. Two examples (one featuring spatial correlation structure) are given to illustrate the general method.