×

基于Pólya-gamma混合的贝叶斯零膨胀负二项回归。 (英语) Zbl 1421.62077号

摘要:基于一项研究住院患者的时空模式,我们提出了一种有效的贝叶斯方法来拟合零膨胀负二项模型。为了便于后验采样,我们引入了一组潜在变量,这些变量表示为法线的比例混合,其中精度项遵循独立的Pólya-Gamma分布。以潜在变量为条件,通过直接吉布斯抽样进行推断。对于固定效应模型,我们的方法与现有方法相当。然而,我们的模型可以容纳更复杂的数据结构,包括多元和时空数据,在这种情况下,当前的方法往往会因计算挑战而失败。通过仿真研究,我们突出了该方法的关键特征,并将其性能与其他估计程序进行了比较。我们将该方法应用于时空分析,检查美国退伍军人2型糖尿病患者的年度住院人数。

理学硕士:

62H30型 分类和区分;聚类分析(统计方面)
62年02月 一般非线性回归
62H11型 定向数据;空间统计学
62E15型 统计学中的精确分布理论
62页第10页 统计学在生物学和医学中的应用;元分析
PDF格式BibTeX公司 XML格式引用

参考文献:

[1] Banerjee,S.(2017)。“高维贝叶斯地质统计学”,贝叶斯分析,12(2):583-614·Zbl 1384.62315号
[2] Banerjee,S.、Carlin,B.P.和Gelfand,A.E.(2014)。空间数据的层次建模与分析。博卡拉顿:查普曼和霍尔/CRC,第二版·Zbl 1358.62009号
[3] Celeux,G.、Forbes,F.、Robert,C.P.和Titterington,D.M.(2006年)。“缺失数据模型的偏差信息标准”,贝叶斯分析,(4):651-673·Zbl 1331.62329号
[4] Chuan-Fen,L.、Bryson,C.L.、Burgess,J.F.、Sharp,N.、Perkins,M.和Maciejewski,M.(2012)。“符合残疾资格和年龄资格的退伍军人在VA和医疗保险中使用门诊护理”,BMC健康服务研究,12(51)。
[5] 领事P.(1989)。广义泊松分布:性质和应用。纽约:马塞尔·德克尔·Zbl 0691.62015号
[6] Dadaneh,S.Z.、Zhou,M.和Qian,X.(2018)。“与混杂因素差异表达的贝叶斯负二项回归”,《生物信息学》,34(19):3349-3356。
[7] Fisher,E.S.、Wennberg,J.E.、Stukel,T.A.、Skinner,J.S.、Sharp,S.M.、Freeman,J.L.和Gittelsohn,A.M.(2000年)。“控制社会人口因素的美国医疗保险受益人的医院容量、利用率和死亡率之间的关联”,BMC健康服务研究,34(6):1351。
[8] Flegal,J.M.、Hughes,J.、Vats,D.和Dai,N.(2017年)。mcmcse:MCMC的蒙特卡罗标准误差。加利福尼亚州河滨市、科罗拉多州丹佛市、英国考文垂市和明尼苏达州明尼阿波利斯市软件包版本1.3-2。
[9] Furrer,R.和Sain,S.(2010年)。“垃圾邮件:一个稀疏矩阵R包,重点是高斯马尔可夫随机场的MCMC方法”,《统计软件杂志》,文章,36(10):1-25。
[10] Gelman,A.、Hwang,J.和Vehtari,A.(2014)。“理解贝叶斯模型的预测信息标准”,《统计与计算》,24(6):997-1016·Zbl 1332.62090号
[11] Gerber,F.和Furrer,R.(2015)。“面积计数数据贝叶斯分层建模实施中的缺陷:使用BYM和Leroux模型的说明”,《统计软件杂志》,代码段,63(1):1-32。
[12] Geweke,J.(1992)。“评估基于抽样方法计算后验矩的准确性”,载于Bernardo,J.M.、Berger,J.O.、Dawid,A.P.和Smith,A.F.M.(编辑),《贝叶斯统计》4169-193。牛津:克拉伦登出版社。
[13] Ghosh,S.K.、Mukhopadhyay,P.和Lu,J.-C.(2006)。“零膨胀回归模型的贝叶斯分析”,《统计规划与推断杂志》,136(4):1360-1375·兹比尔1088.62139
[14] Hodges,J.S.和Reich,B.J.(2010)。“添加空间相关的错误会破坏你喜欢的固定效果。”《美国统计学家》,64(4):325-334·Zbl 1217.62095号
[15] Kaboli,P.、Go,J.、Hockenberry,J.等(2012年)。“住院时间缩短与30天再入院率和死亡率之间的关系:129家退伍军人事务医院14年的经验”,《内科年鉴》,157(12):837-845。
[16] Lambert,D.(1992)。“零膨胀泊松回归,及其在制造缺陷中的应用”,《技术计量学》,34(1):1-14·Zbl 0850.62756号
[17] Lunn,D.、Jackson,C.、Best,N.、Thomas,A.和Spiegelholter,D.(2014)。BUGS书:贝叶斯分析的实用介绍。博卡拉顿:查普曼和霍尔/CRC·Zbl 1281.62009年
[18] Neelon,B.(2018年)。“基于Pólya-Gamma混合的贝叶斯零膨胀负二项回归”补充材料。贝叶斯分析。
[19] Neelon,B.H.、O’Malley,A.J.和Norman,S.-L.T.(2010年)。“重复测量零膨胀计数数据的贝叶斯模型及其在门诊精神病服务中的应用”,《统计建模》,10(4):421-439·兹比尔07256832
[20] Pillow,J.和Scott,J.(2012)。“具有负向肿瘤峰值的神经模型的完全贝叶斯推断”,收录于Bartlett,P.、Pereira,F.、Burges,C.、Bottou,L.和Weinberger,K.(编辑),《神经信息处理系统进展》251907-1915。麻省理工学院出版社。
[21] Plummer,M.、Best,N.、Cowles,K.和Vines,K.(2006年)。《CODA:MCMC的收敛诊断和输出分析》,R News,6(1):7-11。统一资源定位地址https://journal.r-project.org/archive网站/
[22] Polson,N.G.、Scott,J.G.和Windle,J.(2013a)。“使用Pólya-Gamma潜在变量对逻辑模型进行贝叶斯推断”,《美国统计协会杂志》,108(504):1339-1349·Zbl 1283.62055号
[23] Polson,N.G.、Scott,J.G.和Windle,J.(2013b)。“使用Pólya-Gamma潜在变量的逻辑模型贝叶斯推断”,最新版本:2013年2月。统一资源定位地址http://arxiv.org/abs/1205.0310 ·Zbl 1283.62055号
[24] Quan,H.、Sundararajan,V.、Halfon,P.、Fong,A.、Burnand,B.、Luthi,J.-C.、Duncan Saunders,L.、Beck,C.、Feasby,T.和A Ghali,W.(2005)。“在ICD-9-CM和ICD-10管理数据中定义共病的编码算法”,《医疗》,43:1130-1139。
[25] Su,L.、Tom,B.D.M.和Farewell,V.T.(2009)。“纵向半连续数据的两部分混合模型中的偏差”,《生物统计学》,10(2):374-389·Zbl 1437.62617号
[26] Watanabe,S.(2010年)。“贝叶斯交叉验证的渐近等价性和奇异学习理论中广泛适用的信息准则”,《机器学习研究杂志》,11:3571-3594·Zbl 1242.62024号
[27] Zhou,M.和Carin,L.(2015)。“负二项式过程计数和混合建模”,IEEE模式分析和机器智能汇刊,37:307-320。
[28] Zur,A.F.、Saveliev,A.A.和Ieno,E.N.(2012年)。零通货膨胀模型和带有R.Newburgh的广义线性混合模型:Highland Statistics Ltd。
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。