.png){kind=icon}
返回
Joint quantile regression for multinomial outcomes
.png){kind=icon}
PRE
AI
DOI：10.1007/s11634-026-00686-5.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多项式Probit模型是应用于多个研究领域中多选择数据的一个典型统计模型。如果我们对相对效用的某些分位数感兴趣，以了解这些效用的分布，则多项式Probit模型不适用，因为它只能解释相对效用的期望。因此，我们基于联合分位数回归和多项式Probit模型，提出了针对多项式选择数据的分位数回归分析方法，以通过分位数比较相对效用。使用联合分位数回归模型使我们能够考虑相对效用的条件分位点，并明确描述潜在变量中的相关结构。我们在几种先验分布下推导出全条件分布，并通过Gibbs抽样从后验分布中估计模型参数。Gibbs抽样的计算不仅比Metropolis-Hastings方法计算成本低，而且更容易实现。我们还应用所提出的模型于几个数据集。最终，我们通过分位数获得了关于不同参数的可解释结果。
Keyword:
Bayesian estimation
Gibbs sampling
Choice modeling
Metropolis-Hastings algorithm
期刊
A
IF:
1.3
论文数:
32
被引数:
883
机构
查看更多机构
引用论文
暂无论文信息