Consistent and scalable composite likelihood estimation of probit models with crossed random effects
交叉随机效应 probit 模型的一致且可扩展复合似然估计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：摘要直接研究离散响应的 probit 模型及交叉随机效应估计，未明确经济选择行为解释。
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…
交叉随机效应 probit 模型的一致且可扩展复合似然估计
- 研究问题
- 交叉随机效应 probit 模型的边际似然涉及高维积分，难以用于大型数据；作者研究如何降低计算成本并保留参数一致估计。
- 方法与思路
- 作者以仅需一维积分的若干层级模型替代交叉随机效应模型，构造复合似然，并从层级模型拟合结果恢复原模型参数。
- 材料陈述的贡献
- 摘要称，所提方法可一致估计交叉效应参数且计算成本随样本量线性增长，并以约五百万条 Stitch Fix 观测说明应用。
- 阅读关注点
- 应核对替代层级模型与原参数的映射、一致性所需的交叉结构条件，以及方差估计、积分精度和线性扩展性的实现。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断一致性条件、统计效率损失或区间覆盖率；线性计算成本不意味着适用于所有交叉结构。
原文摘要
Summary Estimation of crossed random effects models commonly incurs computational costs that grow faster than linearly in the sample size $ N $, often as fast as $ \Omega(N^{3/2}) $, making them unsuitable for large datasets. For non-Gaussian responses, integrating out the random effects to obtain a marginal likelihood poses significant challenges, especially for high-dimensional integrals for which the Laplace approximation may not be accurate. In this article we develop a composite likelihood approach to probit models that replaces the crossed random effects model with some hierarchical models that require only one-dimensional integrals. We show how to consistently estimate the crossed effects model parameters from the hierarchical model fits. We find that the computation scales linearly in the sample size. The method is illustrated by applying it to approximately five million observations from Stitch Fix, where the crossed effects formulation would require an integral of dimension larger than $ 700\,000 $.