识别具有多类别的回归成分数据整合中的异质性
统计方法学
2023-02-21 v1 应用统计
摘要
在成分数据中，检测整体的哪一部分刻画了异质性非常重要。本文旨在提出一种程序，在多元回归背景下量化这一项，同时不放弃数据的自然约束。为多个成分数据构建了一个具有层次结构的单一概率模型。基于偏度和峰度度量的客观标准为表征每个成分的表现提供支持，并有助于选择一个成分作为参考，避免模型可识别性问题。推理过程在贝叶斯框架下进行，使用哈密顿蒙特卡洛（HMC）方法获得感兴趣的后验分布。计算信息论中的Kullback-Leibler散度（KLD）和Aitchison距离度量，以评估成分之间的相似性，从而在模型验证过程中比较不同情景。该提议的动机来自巴西Abrolhos礁石因大坝破裂导致的高不确定性成分结构。结果支持对研究过程中模式的理解，识别了每个成分的局部效应，并量化了精度参数。这些亮点有助于表征受人为损害影响区域的海洋生物群落。
引用
@article{arxiv.2302.09541,
title = {Identifying Heterogeneity in Regression Compositional Data Integration with Many Categories},
author = {P Solano},
journal= {arXiv preprint arXiv:2302.09541},
year = {2023}
}