Poisson or zero-inflated Poisson mo

Poisson or zero-inflated Poisson models often fail to fit count data
either because of over- or underdispersion relative to the Poisson
distribution. Moreover, data may be correlated due to the hierarchical
study design or the data collection methods. In this study,
we propose a multilevel zero-inflated generalized Poisson regression
model that can address both over- and underdispersed count
data. Random effects are assumed to be independent and normally
distributed. The method of parameter estimation is EM algorithm
base on expectation and maximization which falls into the general
framework of maximum-likelihood estimations. The performance
of the approach was illustrated by data regarding an index of tooth
caries on 9-year-old children. Using various dispersion parameters,
through Monte Carlo simulations, the multilevel ZIGP yielded more
accurate parameter estimates, especially for underdispersed data.

ผลลัพธ์ (ไทย) 1:

Poisson หรือรุ่น Poisson ลมศูนย์มักจะล้มเหลวให้พอดีกับจำนวนข้อมูลเนื่องจากเกินหรือ underdispersion Poisson สัมพันธ์กับอย่างใดอย่างหนึ่งการกระจายงาน นอกจากนี้ อาจมีข้อมูลความสัมพันธ์ได้เนื่องจากการลำดับชั้นศึกษาการออกแบบหรือวิธีการเก็บรวบรวมข้อมูล ในการศึกษานี้เรานำเสนอหลายระดับลมศูนย์ทั่วไป Poisson ถดถอยรุ่นที่สามารถทั้งเกินและจำนวน underdispersedข้อมูล ผลกระทบแบบสุ่มจะถือว่ามีอิสระ และโดยปกติการแจกจ่ายการ วิธีการประมาณพารามิเตอร์เป็นอัลกอริทึม EMตามความคาดหวังและ maximization ซึ่งตกอยู่ในทั่วไปกรอบการประเมินโอกาสสูงสุด ประสิทธิภาพการทำงานวิธีแก้ไขภาพประกอบ ด้วยข้อมูลเกี่ยวกับดัชนีของฟันฟันผุในเด็กอายุ 9 ปี ใช้พารามิเตอร์ต่าง ๆ ในการกระจายผ่านการจำลองมอนติคาร์โล ZIGP หลายระดับให้ผลเพิ่มเติมพารามิเตอร์ที่ถูกต้องประมาณการ โดยเฉพาะอย่างยิ่งสำหรับข้อมูล underdispersed

ผลลัพธ์ (ไทย) 2:

Poisson หรือศูนย์พองรุ่น Poisson มักจะล้มเหลวเพื่อให้พอดีกับข้อมูลนับ
ทั้งเนื่องจากเกินหรือ underdispersion เทียบกับ Poisson
กระจาย นอกจากนี้ข้อมูลอาจจะมีความสัมพันธ์อันเนื่องมาจากลำดับชั้น
การออกแบบการศึกษาหรือวิธีการเก็บรวบรวมข้อมูล ในการศึกษานี้
เรานำเสนอเป็นศูนย์ที่สูงขึ้นทั่วไปถดถอยปัวซองหลาย
รูปแบบที่สามารถอยู่ทั้งในด้านจำนวนและเกิน underdispersed
ข้อมูล ผลกระทบสุ่มจะถือว่าเป็นอิสระและโดยปกติ
การกระจาย วิธีการประมาณค่าพารามิเตอร์เป็นอัลกอริทึม EM
ฐานการคาดการณ์และสูงสุดที่ตกอยู่ในทั่วไป
กรอบของประมาณการโอกาสสูงสุด ประสิทธิภาพ
ของวิธีการที่ถูกแสดงโดยข้อมูลเกี่ยวกับดัชนีของฟัน
โรคฟันผุในเด็ก 9 ปี การกระจายตัวของการใช้พารามิเตอร์ต่างๆ
ผ่านการจำลอง Monte Carlo ที่ ZIGP หลายผลมากขึ้น
ประมาณการพารามิเตอร์ที่ถูกต้องโดยเฉพาะอย่างยิ่งสำหรับข้อมูล underdispersed

ผลลัพธ์ (ไทย) 3:

ปัวซงหรือศูนย์พองแบบปัวซอมักจะล้มเหลวที่จะพอดีกับข้อมูลนับเพราะกว่า - หรือ underdispersion เทียบกับปัวส์ซองการกระจายสินค้า นอกจากนี้ ข้อมูลอาจเป็นบวกเนื่องจากการลำดับชั้นการศึกษาการออกแบบหรือการรวบรวมข้อมูลวิธีการ ในการศึกษานี้เรานำเสนอหลายศูนย์พองตัวถดถอยปัวซอแบบที่สามารถแก้ไขทั้งเหนือและ underdispersed นับข้อมูล ผลสุ่มจะถือว่าเป็นอิสระและปกติกระจาย วิธีการประมาณค่าพารามิเตอร์เป็นขั้นตอนวิธีอีเอ็มฐานในความคาดหวังและสูงสุดที่ตกอยู่ในทั่วไปกรอบของการประมาณความควรจะเป็นสูงสุด ประสิทธิภาพของวิธีการแสดงข้อมูลเกี่ยวกับดัชนีของฟันโรคฟันผุในเด็กอายุ 9 ขวบ . การใช้ค่าพารามิเตอร์ต่าง ๆผ่านการจำลองมอนติคาร์โล , zigp ให้ผลมากหลายประมาณค่าพารามิเตอร์ที่ถูกต้อง โดยเฉพาะ underdispersed ข้อมูล