Overdispersion Diagnostics for Generalized Linear Models
广义线性模型的过度离散诊断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：摘要讨论计数 GLM 的一般模型诊断，未提供所列计量领域细分的直接依据。
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
广义线性模型的过度离散诊断
- 研究问题
- 计数数据偏离标准 GLM 的均值与方差关系时，如何发现过度离散，并进一步辨别其形式或来源？
- 方法与思路
- 作者提出凸性图用于发现过度离散，并构造相对方差曲线和检验，以帮助理解方差相对标准模型的变化。
- 材料陈述的贡献
- 摘要称，凸性图在某些情形下比得分检验更容易检出过度离散，相对方差工具有时更能区分其来源。
- 阅读关注点
- 应核对图形和检验的构造、参照均值模型及校准方式，并确认哪些替代情形支持摘要所述的比较优势。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要只声称部分情形下的优势，未给出错误率、功效或来源识别条件。
原文摘要
Generalized linear models (GLM's) are simple, convenient models for count data, but they assume that the variance is a specified function of the mean. Although overdispersed GLM's allow more flexible mean-variance relationships, they are often not as simple to interpret nor as easy to fit as standard GLM's. This article introduces a convexity plot, or C plot for short, that detects overdispersion and relative variance curves and relative variance tests that help to understand the nature of the overdispersion. Convexity plots sometimes detect overdispersion better than score tests, and relative variance curves and tests sometimes distinguish the source of the overdispersion better than score tests.