New two parameter hybrid estimator for zero inflated negative binomial regression models
Notice bibliographique
Résumé
The zero-inflated negative binomial regression (ZINBR) model is used for modeling count data that exhibit both overdispersion and zero-inflated counts. However, a persistent challenge in the efficient estimation of parameters within ZINBR models is the issue of multicollinearity, where high correlations between predictor variables can compromise the stability and reliability of the maximum likelihood estimator (MLE). We propose a new two-parameter hybrid estimator, designed for the ZINBR model, to address this problem. This estimator aims to mitigate the effects of multicollinearity by incorporating a combination of existing biased estimators. To test the effectiveness of the proposed estimator, we conduct a comprehensive theoretical comparison with conventional biased estimators, including the Ridge and Liu, the Kibria-Lukman, and the modified Ridge estimators. An extended Monte Carlo simulation study complements the theoretical results, evaluating the estimator's performance under various multicollinearity conditions. The simulation results, evaluated by metrics such as mean squared error (MSE) and mean absolute error (MAE), show that the proposed hybrid estimator consistently outperforms conventional methods, especially in high multicollinearity. Furthermore, we apply it to two real-world datasets. The experimental application demonstrates the superior performance of the estimator in producing stable and accurate parameter estimates. The simulation study and experimental application results strongly suggest that the new two-parameter hybrid estimator offers significant progress in parameter estimation in ZINBR models, especially in complex scenarios due to multicollinearity.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».