Inference for error-prone count data: estimation under a binomial convolution framework

Christina Vu

doi:10.1080/02664763.2026.2646574

Inference for error-prone count data: estimation under a binomial convolution framework

2026-03-01

0

PRE

AI

C

Christina Vu *

P

Potgieter, Cornelis J.

DOI：10.1080/02664763.2026.2646574

原文链接

原文求助

摘要

En 中文

计数数据中的测量误差很常见但常被忽视，尤其是在分数有界且源自离散过程时。受口头阅读流畅性评估的启发，我们提出了一种二项卷积模型，该模型将二元错分框架推广到取整数值的结果，允许出现多计和少计。该模型区分了真正例率和真负例率，并尊重数据的有限支持。假设存在一部分既有污染分数又有黄金标准分数的案例，我们开发了三种估计方法：最大似然估计（MLE）、线性回归和广义矩方法（GMM）。模拟研究显示，在模型设定正确的情况下，MLE表现最佳，而回归方法更稳健但精度较低；GMM平衡了模型灵活性和效率，但对异常值敏感。应用于比较两种易出错的评分机制的实数数据，我们的框架能够揭示评分准确性和一致性的差异。研究发现强调了估计方法选择的应用意义，并强调了在计数数据中明确建模非对称测量误差的重要性。

Keyword:

Binomial convolution

measurement error

misclassification

oral reading fluency

sensitivity

specificity

Inference for error-prone count data: estimation under a binomial convolution framework

摘要

期刊

机构

引用论文