用于重尾分布的伽马形状混合模型

卫生服务研究中的一个重要问题是估计超过给定阈值的医疗支出比例。通常，医疗支出呈现高度偏斜、重尾的分布，对于这种分布，(a) 简单的变量变换不足以获得易于处理的低维参数形式，(b) 非参数方法在估计大阈值的超越概率方面效率不高。在此背景下，本文提出了一种通用的贝叶斯方法，用于估计重尾分布的尾部概率。该方法基于伽马分布的混合，其中混合发生在形状参数上。该族为建模重尾分布提供了一种灵活且新颖的方法，计算效率高，并且只需为单个参数指定先验分布。通过模拟研究，我们将我们的方法与常用方法（如对数正态模型和非参数替代方法）进行了比较。我们发现，与这些替代方法相比，混合伽马模型在估计尾部概率方面显著提高了预测性能。我们还将该方法应用于医疗当前受益者调查（MCBS），估算了吸烟相关疾病的住院费用超过给定阈值的概率。我们已在开源GSM软件包中实现了该方法，该软件包可从综合R档案网络（CRAN）获取。