作者
摘要
聚类数据在各种科学领域中普遍存在。在本文中,我们为聚类数据提出了一种灵活且可解释的建模方法,称为分组异质混合建模,该方法通过所有簇通用的潜在条件分布的混合来建模簇内条件分布。在该模型中,我们假设簇被划分为有限数量的组,并且在同一组中混合比例相同。我们提供了一个简单的广义EM算法来计算最大似然估计量,并提供了一个信息准则来选择群的数量和潜在分布。我们还通过在似然函数中引入分组参数惩罚来提出结构化分组策略。在簇数和簇大小都趋于无穷大的情况下,我们给出了最大似然估计量和信息准则的渐近性质。我们通过仿真研究和在东京犯罪风险建模中的应用来演示所提出的方法。
建议引用
Sugasawa Shonosuke,2021年。"聚类数据的分组异构混合建模,"美国统计协会杂志《泰勒与弗朗西斯杂志》,第116卷(534),第999-1010页,4月。手柄:RePEc:taf:jnlasa:v:116:y:2021:i:534:p:999-1010
内政部:10.1080/01621459.2020.1777136
从出版商下载全文
由于此文档的访问受到限制,您可能希望搜索换一个不同的版本。
更正
本网站上的所有材料均由各自的出版商和作者提供。您可以帮助纠正错误和遗漏。请求更正时,请提及此项目的句柄:RePEc:taf:jnlasa:v:116:y:2021:i:534:p:999-1010。请参阅一般信息关于如何在RePEc中更正材料。
如果您编写了此项目,但尚未在RePEc注册,我们鼓励您这样做在这里。这允许将您的个人资料链接到此项目。它还允许您接受我们不确定的该项目的潜在引用。
我们没有这个项目的参考书目。您可以使用这个表格.
如果你知道引用这一条的缺失条目,你可以通过以与上述相同的方式为每个引用条目添加相关引用来帮助我们创建这些链接。如果您是此项目的注册作者,您可能还需要检查您的RePEc作者服务个人资料,因为可能有一些引文等待确认。
有关本项目的技术问题,或更正作者、标题、摘要、书目或下载信息,请联系:Chris Longhurst(以下电子邮件可用)。供应商的一般联系方式:网址:http://www.tandfonline.com/UASA20.
请注意,更正可能需要几周时间才能筛选出来各种RePEc服务。