我们可以使用链接到您的Project Euclid帐户的电子邮件地址帮助您重置密码。
近几年来,人们对零-一增强贝塔回归(ZOABR)模型的分析越来越感兴趣。在这项工作中,我们为ZOABR模型开发了一个贝叶斯推断,提供了一些贡献,即:我们探索了Jeffreys-rule和独立性Jeffreys先验对一些参数的使用,进行了先验选择的敏感性研究,将贝叶斯估计与最大似然估计进行比较,并在几个感兴趣的场景下测量估计的准确性。结果表明,总的来说,在Jeffreys-rule先验下,贝叶斯方法与ML方法一样准确。此外,与其他方法不同,我们使用响应的预测分布来实现贝叶斯残差。为了进一步说明我们的方法的优点,我们对一个真实的心理测量数据集进行了分析,其中包括贝叶斯残差分析,结果表明,当数据被转换时,可以获得误导性的推断。也就是说,当零和一转换为合适的值,并且考虑通常的β回归模型,而不是ZOABR模型时。最后,讨论了未来的发展。
达尼洛·科瓦斯·诺加罗托(Danilo Covaes Nogarotto)。 Caio Lucidius Naberezny Azevedo。 豪尔赫·路易斯·巴赞。 “零-一增强贝塔回归模型的贝叶斯建模和先验敏感性分析,并应用于心理测量数据。” 钎焊。J.概率。斯达。 34 (2) 304至322之间, 2020年5月。 https://doi.org/10.1214/18-BJPS423