基于平衡梯度提升方法估计零膨胀负二项分布的 GAMLSS 及其在尼日利亚孕前护理数据中的应用
统计方法学
2026-02-20 v1
摘要
统计提升算法因其内在的变量选择能力以及相较于经典统计方法在预测性能上的提升，尤其适用于复杂模型，如位置、尺度和形状（GAMLSS）的广义可加模型。对该模型类的提升可能因分布参数间更新不平衡以及计算时间延长而受限。缩减最优步长已被证明可解决上述问题。为考察社会经济因素对尼日利亚孕前护理访问次数分布的影响，我们将GAMLSS的提升方法推广至不仅限于简单线性模型的基学习器，并拓展至更复杂的响应变量分布。在大量模拟研究以及实际应用中，我们展示，缩减最优步长在各种情况下均能实现更均衡的正则化，同时提升计算效率，特别是在基学习器对拟合幅度进行惩罚的情形下。
引用
@article{arxiv.2602.17272,
title = {Estimating Zero-inflated Negative Binomial GAMLSS via a Balanced Gradient Boosting Approach with an Application to Antenatal Care Data from Nigeria},
author = {Alexandra Daub and Elisabeth Bergherr},
journal= {arXiv preprint arXiv:2602.17272},
year = {2026}
}