实验欠离散数据分析中的 Gamma 计数分布
应用统计
2017-04-25 v1
摘要
事件计数是响应变量，其值为非负整数，表示事件在固定域（如时间间隔、地理区域或列联表单元格）内发生的次数。使用高斯回归模型分析计数数据忽略了离散性、不对称性和异方差性，导致效率低下，提供不切实际的标准误或可能产生负的期望事件数预测。泊松回归是计数数据的标准模型，但其对生成过程的潜在假设在许多应用中可能不成立。统计学家早已认识到在泊松回归模型下强加等离散性的局限性。典型情况是条件方差超过条件均值，此时通常使用允许过离散的模型。文献中较少报道的是欠离散情况，其可用的建模替代方案和评估较少。本文采用其中一种替代方案，即 Gamma 计数模型，来分析一项农学实验，该实验旨在研究不同物候期的去叶水平对棉铃数量的影响。结果表明，与泊松模型和半参数准泊松模型相比，该模型在捕捉数据观测变异性方面有所改进。估计而非假设潜在的方差过程为该过程提供了重要的见解。
引用
@article{arxiv.1312.2423,
title = {The Gamma-count distribution in the analysis of experimental underdispersed data},
author = {Walmes Marques Zeviani and Paulo Justiniano Ribeiro and Wagner Hugo Bonat and Silvia Emiko Shimakura and Joel Augusti Muniz},
journal= {arXiv preprint arXiv:1312.2423},
year = {2017}
}