A New Zero-inflated model with Varying Exposures
In many areas of statistical analysis, count data exhibit a higher proportion of zeros than the common discrete distributions indicate. Zero-inflated or hurdle models are widely used to handle such cases. A common approach is to include the logarithm of exposure as an offset term in the model's count component. However, there is no consensus regarding how to address the effect of varying exposure in the structural zero part of the model.
This paper proposes applying a zero-inflated distribution to the event count for an individual exposure, rather than an individual observation, which may include multiple exposures. This allows us to incorporate exposure in both the structural zero and the count part of the zero-inflated model. Since the event counts for individual exposures are not observable, we develop an Expectation-Maximization algorithm to estimate model parameters. We show that our method provides a natural and flexible approach to analyzing count data with extra zeros.
This paper proposes applying a zero-inflated distribution to the event count for an individual exposure, rather than an individual observation, which may include multiple exposures. This allows us to incorporate exposure in both the structural zero and the count part of the zero-inflated model. Since the event counts for individual exposures are not observable, we develop an Expectation-Maximization algorithm to estimate model parameters. We show that our method provides a natural and flexible approach to analyzing count data with extra zeros.
Un nouveau modèle avec un excès de zéros et des expositions variables
Dans de nombreux domaines de l'analyse statistique, les données de dénombrement présentent une proportion de zéros plus élevée que ne l'indiquent les distributions discrètes courantes. Les modèles avec un excès de zéros ou à barrière sont largement utilisés pour traiter ces cas. Une approche courante consiste à inclure le logarithme de l'exposition comme terme de compensation dans la composante de dénombrement du modèle. Cependant, il n'existe pas de consensus sur la manière de traiter l'effet de l'exposition variable dans la partie structurelle de zéros du modèle.
Cet article propose d'appliquer une distribution avec un excès de zéros au nombre d'événements pour une exposition individuelle, plutôt qu'à une observation individuelle, qui peut inclure plusieurs expositions. Cela nous permet d'intégrer l'exposition à la fois dans la partie structurelle de zéros et dans la partie comptage du modèle avec un excès de zéros. Étant donné que le nombre d'événements pour les expositions individuelles n'est pas observable, nous développons un algorithme d'optimisation des attentes pour estimer les paramètres du modèle. Nous montrons que notre méthode offre une approche naturelle et flexible pour analyser les données de dénombrement avec des zéros supplémentaires.
Cet article propose d'appliquer une distribution avec un excès de zéros au nombre d'événements pour une exposition individuelle, plutôt qu'à une observation individuelle, qui peut inclure plusieurs expositions. Cela nous permet d'intégrer l'exposition à la fois dans la partie structurelle de zéros et dans la partie comptage du modèle avec un excès de zéros. Étant donné que le nombre d'événements pour les expositions individuelles n'est pas observable, nous développons un algorithme d'optimisation des attentes pour estimer les paramètres du modèle. Nous montrons que notre méthode offre une approche naturelle et flexible pour analyser les données de dénombrement avec des zéros supplémentaires.
Date and Time
-
Langue de la présentation orale
Anglais
Langue des supports visuels
Anglais