Fast and Accurate Binary Response Mixed Model Analysis via Expectation Propagation
通过期望传播快速准确地分析二元响应混合模型AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究二元响应的 probit 混合模型，对应离散响应建模与推断。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
通过期望传播快速准确地分析二元响应混合模型
- 研究问题
- 如何在含多元随机效应及多层嵌套结构的二元响应混合模型中，避免昂贵的数值求积并完成似然推断？
- 方法与思路
- 作者将期望传播用于频率学派似然积分近似，重点处理 probit 链接模型，并通过渐近计算分析其似然曲面近似。
- 材料陈述的贡献
- 摘要称期望传播能一致估计精确似然曲面，数值研究展示了快速、准确且可扩展的二元混合模型分析方法。
- 阅读关注点
- 应核对似然近似一致性采用的渐近框架、随机效应与嵌套结构的限制，以及数值精度和计算成本的比较标准。
- 阅读边界
- 来源为版本未注明的 OpenAlex 索引摘要；结论重点针对 probit 情形，未说明其他链接或模型设定下的保证，不能推断刊本变化。
原文摘要
Expectation propagation is a general prescription for approximation of integrals in statistical inference problems. Its literature is mainly concerned with Bayesian inference scenarios. However, expectation propagation can also be used to approximate integrals arising in frequentist statistical inference. We focus on likelihood-based inference for binary response mixed models and show that fast and accurate quadrature-free inference can be realized for the probit link case with multivariate random effects and higher levels of nesting. The approach is supported by asymptotic calculations in which expectation propagation is seen to provide consistent estimation of the exact likelihood surface. Numerical studies reveal the availability of fast, highly accurate and scalable methodology for binary mixed model analysis.