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
