零膨胀Poisson回归模型极大似然估计的相合性与渐近正态性

计数数据广泛存在于心理学、遗传学、生物医学和保险等多个研究领域中.拟合计数数据最常用的回归模型是Poisson回归模型.如果计数数据散度偏大,可能是存在零膨胀,还有可能是因为总体来源的“非同质性”以及它们的综合作用等.关于零观测值过多的零膨胀计数数据的模型研究已成为当今国内外的一个热点问题,特别是零膨胀Poisson回归模型在多个领域已经有广泛应用,但是对该模型的大样本性质的研究文献还很少见.讨论了在零膨胀Poisson回归模型参数的极大似然估计基础上,给出了一些正则条件,并在此条件下,证明了模型参数极大似然估计的相合性与渐近正态性.

山西省运城市居民年住院次数影响因素分析——基于零膨胀及其相关回归模型

[目的]通过拟合居民年住院次数的最优模型,筛选出影响山西省运城市居民年住院次数的主要影响因素。[方法]分别构建负二项回归、Poisson回归、零膨胀负二项回归和零膨胀Poisson回归4种模型,经比较得出最优模型,并据此开展居民年住院次数的影响因素分析。[结果]近一年内0次住院共计4870例(88.18%)。模型分析显示:性别、年龄、文化程度、居住区域、患有慢性病者、家庭年人均收入及常住人口数是居民年住院次数的影响因素(P<0.05);年龄、职业、家庭常住人口数、患有慢性病情况、吸烟、居住区域及健康知识获取途径是居民住院次数出现零膨胀现象的影响因素(P<0.05)。[结论]山西省运城市居民的年住院次数零膨胀负二项回归模型拟合效果最优。家庭年人均收入处于中等水平、患有慢性病人群就医行为较多;年龄偏大、家庭常住人口数为4~6人、城区居住、患有慢性病及经常吸烟的人群的住院潜在需求更大。

林火数据的Logistic和零膨胀Poisson(ZIP)回归模型

利用统计模型对森林火灾数据进行了描述和分析,所用模型包括Logistic回归模型和零膨胀Poisson(ZIP)回归模型。将所用的森林火灾数据分别视为分组因子数据和有序变量数据进行建模。为了进行预测和验证,建模时使用部分数据,其余数据作为检验数据,用以检验预测的准确性。研究结果显示,所研究的两类模型都得到了与检验样本接近的结果,具有较好的火灾次数预测能力。其中零膨胀模型不仅可以得到与Logistic模型相当的结果,而且能够有效解决火灾数大于天数的问题,以及可以对零值过多的数据进行较好地建模。该研究表明所建立的Lo-gistic回归模型和零膨胀Poisson回归模型都是分析火灾与影响因素相关性的适用模型。

带有约束条件的零一膨胀Poisson回归模型

考虑一类带有一般线性约束条件的零一膨胀Poisson回归模型,给出参数估计的EM(expectation maximization)算法,并利用数值模拟和实际数据分析验证了结果的灵活性和可行性.

基于零膨胀负二项空间滞后回归模型的新疆手足口病气象因素分析

目的研究2018年新疆手足口病的时空变化趋势,分析气象因子对疾病的影响程度,为新疆手足口病的科学防控提供理论依据。方法对新疆100个县域2018年各季度的手足口病进行描述性分析;使用本文提出的零膨胀负二项空间滞后回归模型识别气象因子的影响程度,并与负二项回归模型、零膨胀负二项回归模型的结果进行对比。结果零膨胀负二项空间滞后回归模型比普通零膨胀模型识别更多有统计学意义的气象因子,比传统计数模型拟合效果更优,还能评估空间效应对疾病的影响。2018年新疆手足口病主要集中在新疆北疆,夏季是高暴发期,秋冬季次之,春季发病最少。春季平均风速越快居民患病人数越少;夏季平均气温和平均相对湿度越高发病人数越多,秋季和冬季气象因子对发病的影响不显著。结论新疆手足口病的发病具有空间聚集性以及季节性特征,气象因子在不同时期对疾病的影响不同,建议加强夏秋两季新疆北疆高风险地区的疾病监测,做好易感区域消杀工作,控制传染源,切断手足口病传播途径。

基于零膨胀广义Poisson回归模型的广义估计方程方法及其应用

计数数据分析已在生物和医学研究领域得到发展.特别地,零膨胀计数分布已经被用来建模在试验中经常出现的过多零的观测.分析此类数据最常见的计数分布是泊松分布和负二项分布.然而,泊松分布只能处理等分布数据,负二项分布只能处理过度分散.零膨胀广义Poisson回归模型则可以用来处理0过多或过度分散的计数数据.对于具有这样特征的纵向计数数据采用广义估计方程方法估计模型参数,同时也可以解释来自同一个体观测值之间的相关性.通过引入一个隐变量,将分别构建模型的两组协变量的估计方程连接起来,从而解决了零膨胀部分的参数估计求解问题.并用此方法分析了Iowa氟化物研究中的数据,研究了龋齿的数量影响因素.

基于零膨胀负二项回归模型的高速公路卡口交通流量与事故分析

本文借助高速公路卡口数据,分析高速公路路段一段时间内过车数、过车速度等交通流量信息对事故起数的影响。通过对交通流量变量的分析与筛选,利用泊松回归、负二项回归、零膨胀回归等模型对数据进行拟合分析,发现对于引起交通事故较为显著的交通流特征,并选取拟合效果最好的模型。可结合高速公路卡口流量数据,对当前道路安全形势做出预测,有助于公安交管部门提前采取针对性措施,提高道路安全水平。

零膨胀Poisson分布模型回归分析

本文目的是介绍零膨胀Poisson分布模型回归分析。首先,介绍零膨胀计数资料及其零膨胀Poisson分布回归模型构建原理,包括"零膨胀Poisson分布回归模型的形式"和"零膨胀Poisson分布回归模型的求解";其次,介绍"零膨胀Poisson分布回归模型的SAS实现",包括"创建SAS数据集""呈现因变量Y的频数分布""求出因变量Y的均值和方差"和"基于全部自变量对因变量Y构建多重零膨胀Poisson分布回归模型"。本文结果提示,当计数资料为非严重过离散的零膨胀计数资料时,拟合"多重零膨胀Poisson分布回归模型",可获得满意的拟合效果。

零膨胀计数数据回归模型的选择与比较及R语言的实现

目的探讨和比较不同模型在零膨胀数据回归分析中的应用。方法在R语言中,拟合HIV合并血友病数据的对数线性模型、零膨胀模型、随机森林、决策树以及支持向量机模型,通过比较标准化均方误差和均方根误差,对模型进行评价与选择。结果从标准化均方误差和均方根误差来看,随机森林是对原始数据拟合的最好的模型,随后是支持向量机和决策树模型,而经典的计数模型表现则相对较差。结论在对零膨胀计数资料进行回归预测时,机器学习方法的效果优于经典的计数模型。

两类零膨胀负二项回归模型在汽车保险定价中的应用

讨论了两种分布形式的零膨胀负二项回归模型,并应用一组实际汽车保险损失数据对两类模型进行了实证比较.结果表明,对于具有零膨胀特征的损失数据,零膨胀负二项回归模型的拟合结果优于普通索赔频率回归模型.

基于偏斜正态分布的零膨胀负二项层次回归模型的贝叶斯分析

零膨胀负二项(ZINB)层次回归模型是分析散度偏大集群计数数据的有力工具,该模型的基本假设是随机效应和随机误差均服从正态分布。然而,在许多实际应用中,上述假设缺乏稳健性,且相关研究表明,个体内的随机误差以及随机效应将共同导致数据的非正态性特征。基于上述原因,文章将重点考虑基于偏斜正态分布的ZINB层次回归模型的贝叶斯分析问题,与经典的基于似然的方法相比,贝叶斯分析方法具有建模灵活,计算相对简便的优势,特别适合于层次结构较为复杂的模型。

零膨胀集群数据层次回归模型的贝叶斯推断

零膨胀Poisson回归模型是研究零观测值过多的计数数据的常用工具,本文提出了一类拟合具有这类特征的集群数据的层次零膨胀泊松回归模型,并给出了相应的贝叶斯推断方法,参数估计通过Gibbs抽样获得,模型比较与选择则通过拟合优度检验与BIC准则实现.最后,利用一个船舶受损事故数据来展示本文方法的实现及应用.

基于零膨胀负二项回归模型的内河水上交通人命安全分析

运用零膨胀负二项回归模型,分析水上交通事故中人员死亡失踪数量的各影响因素的影响程度。通过Pearson相关分析得到与水上交通事故中人员死亡失踪人数密切相关的因素,建立ZINB回归模型得到各因素的参数估计值。运用弹性分析方法对不同影响因素的影响程度进行评估,根据影响程度对各影响因素进行排序。将该方法应用于长江海事局辖区范围内的水上交通事故人员死亡失踪分析,取得了理想效果。

零-K膨胀泊松回归模型在公共卫生领域研究中的应用

目的将零-K膨胀泊松回归模型(ZKIP)在公共卫生领域研究中加以实践,为实际工作中研究者所遇到的零-K膨胀数据拟合问题提供方法学支持。方法以美国2016年5~17岁学生因病缺课天数数据为例,拟合ZKIP模型,采用SAS 9.4软件进行参数估计,并与Poisson回归模型、零膨胀泊松回归模型(ZIP)进行比较,依据数据过离散和零膨胀检验结果及模型拟合优度指标等选择最优模型,同时探讨各可能影响因素与学生因病缺课天数间的联系。结果数据过离散和Vuong检验结果表明存在过离散和零膨胀现象(O=773.40>1.96、V=19.7330>1.96);依据因变量取值分布直方图取膨胀值K=2。ZKIP模型取得最优模型拟合度(AIC=40736,BIC=41274),参数回归结果表明高年龄组学生因病缺课行为发生风险更高;白人学生因病缺课行为发生风险性最低;手术史、身体不适症状、长期服药、急诊室次数、过敏、平衡不佳情况等变量对数据零膨胀参数和Poisson分布参数影响均有统计学意义;视力问题、长期服药、地区(西部地区学生较东北部地区学生)3个变量对K=2的膨胀参数η影响显著。结论ZKIP模型不仅在零事件处理能力上和ZIP模型相当,还能提供更多的K膨胀值处信息,是零-K膨胀数据拟合方法学上的突破。

零膨胀几何分布回归模型及其统计分析

样本数据中经常会出现大量取值为零的观测值,导致数据过度离散.为解决传统模型不能很好地进行预测与拟合的问题,提出了零膨胀几何分布回归模型,建立了响应变量与协变量之间的关系,通过巧妙地引入隐变量并进行数据扩充,并基于EM算法下的极大似然估计法和贝叶斯方法对回归参数向量进行估计,利用数值模拟的方法对两种估计方法的成效进行了评价.

零膨胀模型在心肌缺血节段数影响因素研究中的应用

目的讨论零膨胀模型在计数资料中的应用。方法应用零膨胀负二项模型分析冠心病患者心肌缺血节段数的影响因素。结果零膨胀负二项模型logit部分结果表明没有家族史、年龄越小、左室收缩末容积越小的患者发生心肌节段缺血的可能性较小;负二项部分结果表明有糖尿病史、有冠心病家族史、左室收缩末容积越大的患者发生心肌缺血节段数越多。结论当计数资料存在过多零计数时,应用零过多模型能够得到很好的拟合效果。

基于贝叶斯-零膨胀负二项模型的森林火灾发生预测研究

【目的】随着全球气候变化,极端天气频繁出现,发生森林火灾的可能性也显著提高。在过去的森林火灾发生预测研究中并没有考虑林火发生与气象因子关系模型的不确定性。然而,在全球气候变化背景下,要充分考虑模型的不确定性,科学分析气象因子与森林火灾发生次数的关系,以更好地预测森林火灾的发生,为管理部门的预防工作提供参考依据。【方法】以贵州黔南布依族苗族自治州为研究区域,通过研究森林火灾的发生次数和火险天气的气象变量,基于有效分析模型不确定性且提高模型预测可靠性的贝叶斯法,采用零膨胀负二项和负二项回归两种模型模拟森林火灾发生次数,研究分析发生森林火灾次数与气象因子之间的关系以及评价模型的不确定性。【结果】由零膨胀负二项模型模拟的贝叶斯估计模型可知,森林火灾发生数随着月最小相对湿度的增大而减小,随着月最大风速的增大而增加。贝叶斯法(均方根误差RMSE=5.5569)比传统法(RMSE=5.5776)在火灾发生数拟合方面精度更高。【结论】零膨胀负二项模型由于建模过程中能够很好地对火灾零次发生数据进行分析拟合,模拟精度要比负二项模型好。此外,利用贝叶斯法估计森林火灾发生模型能够很好地提高模型预测的可靠性,并且更精确地评价森林火灾发生模型的不确定性。

零膨胀模型在非寿险中应用

分类费率厘定中最常使用的模型之一是泊松回归模型,但当损失次数数据存在零膨胀特征时,通常会采用零膨胀模型来解决。本文讨论一些零膨胀模型在非寿险中的应用,并通过对一组汽车保险损失数据的拟合,发现零膨胀模型可以有效改善对实际损失数据的拟合效果。

耦合均值-相关性的起重伤害事故致因ZIP模型研究

近些年来,起重伤害事故高发频发,导致了较大的直接经济损失和人员伤亡,受到行业的高度关注。为探究起重伤害事故致因的影响程度,采集2011—2021年376份起重伤害事故调查报告,依据事故致因24Model和系统安全分析法识别事故致因,构建起重伤害事故致因的零膨胀泊松回归模型(Zero-Inflated Poisson,ZIP),并通过Vuong方法和拟合优度检验准则进行检验;综合考虑事故致因发生频次的均值、致因和事故发生的相关性,运用弹性分析方法对事故致因的影响程度进行定量排序。结果表明:ZIP回归模型拟合效果优于泊松回归模型,各事故致因对起重伤害事故的影响程度排序为安全监管不到位C_(6)(T_(k)=1.0221)、安全意识淡薄H_(1)(T_(k)=0.5117)、作业人员违规作业H_(3)(T_(k)=0.4758)、作业人员无证上岗H_(2)(T_(k)=0.2116)、专项施工方案不合格C_(7)(T_(k)=0.1234)和结构构件破坏或连接不可靠M_(3)(T_(k)=0.1045)。研究从事故致因发生频次的均值、致因和事故发生的相关性两个维度刻画事故致因对起重伤害事故的影响程度,为起重伤害事故风险分级管控提供了新的研究思路和方法。

分组零膨胀泊松模型的半参数统计推断(英文)

泊松回归模型常常用于计数数据的研究中,然而在实际数据中零值的比例可能远远大于泊松分布中取零值的概率,而且这些零值通常都有其特殊含义.此外计数数据可能是分组数据,即观测到的数据不是确切值而只是已知其落在某一个区间范围之内;或者某些特定的数据,例如工资,要先对它进行人为的分组然后再进行分析.考虑一种零膨胀泊松半参数回归模型来处理上述分组计数数据.该模型中泊松分布的期望与协变量之间采用部分线性连接函数,而零值的概率与协变量之间采用线性连接函数.利用Sieve极大似然估计方法来估计该回归模型中参数和非参数函数,并提出了一种得分检验方法来检验是否存在零膨胀.在一定正则条件下,获得了Sieve极大似然估计的渐近性质,证明了参数部分的估计是强相合,渐近正态及渐近有效的;同时非参数函数的估计达到了最优收敛速度.模拟研究表明,估计和检验方法效果都比较好,最后将此模型和推断方法应用于一组公共卫生领域实际数据研究.