改进的对数高斯近似用于过离散泊松回归：在 COVID-19 空间分析中的应用
统计方法学
2022-01-19 v3 应用统计
摘要
在开放数据时代，泊松及其他计数回归模型日益重要。然而，传统泊松回归在可辨识性与计算效率方面仍存在若干问题。尤其因辨识问题，泊松回归在含大量零值的小样本上可能不稳定。鉴于此，我们发展了用于过离散泊松回归（包括泊松加性混合模型）的闭式推断。该方法通过基于模态的对数高斯近似导出。所得方法快速、实用且免于辨识问题。蒙特卡洛实验表明，所提方法的估计误差显著小于闭式替代方法，且与常规泊松回归相当。对于含大量零值的计数，我们的近似比传统泊松回归具有更好的估计精度。在考虑空间或群组效应的泊松加性混合建模情形下，我们获得了类似结果。所发展方法被应用于分析日本 COVID-19 数据。该结果表明，行人密度、年龄及其他因素对病例数的影响随时期而变化。
引用
@article{arxiv.2104.13588,
title = {Improved log-Gaussian approximation for over-dispersed Poisson regression: application to spatial analysis of COVID-19},
author = {Daisuke Murakami and Tomoko Matsui},
journal= {arXiv preprint arXiv:2104.13588},
year = {2022}
}