用于聚类计数数据的 Poisson-Birnbaum-Saunders 回归模型
统计方法学
2022-02-22 v1 应用统计
摘要
同一聚类/组中个体间独立的假定在实践中常不成立，依赖此难以成立的假设之模型会产生误导性结果。为克服这一严重缺陷，我们引入一种新的回归模型以处理过度离散且相关的聚类计数。为考虑聚类内相关性，我们提出一种 Poisson 回归模型，其中同一聚类内的观测由相同的潜随机效应驱动，该效应服从 Birnbaum-Saunders 分布，其参数控制个体间依赖强度。这一新颖多元计数模型称为聚类 Poisson-Birnbaum-Saunders（CPBS）回归。如本文所示，CPBS 模型解析易处理，其矩结构可显式获得。参数估计通过最大似然方法进行，并开发了期望最大化（EM）算法。给出了评估所提估计量有限样本性能的模拟结果。我们还讨论了检验模型充分性的诊断工具。基于美国卫生研究与质量局开展的医疗支出面板调查（MEPS）中个体至医院急诊室住院次数的实证应用，说明了所提方法的有用性。
引用
@article{arxiv.2202.10162,
title = {Poisson-Birnbaum-Saunders Regression Model for Clustered Count Data},
author = {Jussiane Nader Gonçalves and Wagner Barreto-Souza and Hernando Ombao},
journal= {arXiv preprint arXiv:2202.10162},
year = {2022}
}
备注
Paper submitted for publication