Estimating Zero-inflated Negative Binomial GAMLSS via a Balanced Gradient Boosting Approach with an Application to Antenatal Care Data from Nigeria
基于平衡梯度提升的零膨胀负二项GAMLSS估计及其在尼日利亚产前保健数据中的应用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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要关注计数型响应变量（产前保健就诊次数）的分布建模与分布参数的正则化估计，属于分布效应与分布建模方向，其余候选细分缺乏摘要文本依据。
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…
关注这篇论文的作者
基于平衡梯度提升的零膨胀负二项GAMLSS估计及其在尼日利亚产前保健数据中的应用
- 研究问题
- 摘要称，研究如何将带收缩最优步长的GAMLSS提升方法推广到更一般的基学习器和更复杂的响应分布，并用以考察尼日利亚社会经济因素对产前保健就诊次数分布的影响。
- 方法与思路
- 作者提出将GAMLSS提升中的收缩最优步长扩展到简单线性模型之外的基学习器，并用于零膨胀负二项响应分布；通过大规模模拟研究和实际应用比较该方法的表现。
- 材料陈述的贡献
- 摘要称，收缩最优步长能在多种设定下带来更平衡的整体模型正则化并提升计算效率，尤其在基学习器对拟合规模施加惩罚时；并将其应用于尼日利亚产前保健就诊次数数据。
- 阅读关注点
- 应核对收缩最优步长的具体定义与更新规则、所扩展的基学习器类型、零膨胀负二项GAMLSS的参数化方式，以及模拟设计与尼日利亚数据的变量、样本和识别策略。
- 阅读边界
- 仅凭摘要无法判断方法的理论性质、模拟结果的具体数值、实证结论的稳健性，也无法确认其相对既有方法的普遍优势；摘要未说明数据来源细节与因果解释是否成立。
原文摘要
Statistical boosting algorithms are renowned for their intrinsic variable selection and enhanced predictive performance compared to classical statistical methods, making them especially useful for complex models such as generalized additive models for location scale and shape (GAMLSS). Boosting this model class can suffer from imbalanced updates across the distribution parameters as well as long computation times. Shrunk optimal step lengths have been shown to address these issues. To examine the influence of socio-economic factors on the distribution of the number of antenatal care visits in Nigeria, we generalize boosting of GAMLSS with shrunk optimal step lengths to base-learners beyond simple linear models and to a more complex response variable distribution. In an extensive simulation study and in the application we demonstrate that shrunk optimal step lengths yield a more balanced regularization of the overall model and enhance computational efficiency across diverse settings, in particular in the presence of base-learners penalizing the size of the fit.