部分排序数据的Plackett-Luce模型贝叶斯混合

在许多心理和行为实验中，经常需要对多个备选方案进行序数判断，以调查特定人群的首选/选择取向。Plackett-Luce模型是分析有限项目集排序的最流行和最常用的参数分布之一。本文引入Plackett-Luce模型的贝叶斯有限混合模型，以解释部分排序数据中的未观测样本异质性。我们描述了一种在数据增强方法中纳入潜在组结构的有效方式，并将现有最大似然过程推导为所提贝叶斯方法的特例。推断可结合期望最大化算法（用于最大后验估计）与吉布斯抽样迭代过程进行。此外，我们研究了若干用于选择最优混合配置的贝叶斯准则，并描述了用于评估排序分布适应度的诊断工具（条件于和非条件于排序项目数量）。所提出的新型贝叶斯参数Plackett-Luce混合模型在刻画样本异质性方面的效用通过多个模拟和真实偏好排序数据应用加以说明。我们将我们的方法与频率学方法和贝叶斯非参数混合模型进行比较，两者均假设Plackett-Luce模型作为混合成分。对真实数据集的分析揭示了准确的诊断检查对于适当深入理解部分排序数据异质性的重要性。