模糊数据统计分析中模糊性的贝叶斯化处理

模糊数据在社会科学和其他领域中普遍存在，捕捉了由主观评估和测量不精确引起的不确定性。尽管模糊统计学取得了重大进展，但统一的基于推断回归的框架仍有待发展。因此，我们提出了一种在回归框架内分析有界模糊变量的新方法。基于模糊数据是由类似于统计粗化过程产生的这一前提，我们引入了一种条件概率方法，将观察到的模糊统计量（如众数、展度）与依赖于外部协变量的潜在未观测统计模型联系起来。该推断问题使用近似贝叶斯方法解决，主要通过结合后验分布二次近似的 Gibbs 采样器进行。我们采用模拟研究和涉及外部验证的应用来评估所提出方法在模糊数据分析中的有效性。通过将模糊数据分析重新整合到更传统的统计框架中，这项工作为在许多应用背景下增强模糊统计方法的可解释性和适用性迈出了重要一步。