Nonlinear Regression with Variance Components
含方差分量的非线性回归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：摘要讨论实验设计中的非线性随机效应模型，未明确涉及面板数据或所列其他细分领域。
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…
关注这篇论文的作者
含方差分量的非线性回归
- 研究问题
- 对结合非线性均值函数与加性随机效应、适用于裂区和嵌套实验的模型，如何估计均值参数并建立渐近性质？
- 方法与思路
- 作者提出估计广义最小二乘和基于得分迭代的极大似然方法，借助最小二乘强一致性定理的推广分析性质。
- 材料陈述的贡献
- 摘要称两种估计量均具有强一致性、渐近正态性和渐近有效性，为含方差分量的非线性模型提供估计方法。
- 阅读关注点
- 应核对随机效应与误差结构、方差分量估计方式、得分迭代实现，以及渐近有效性对应的模型和信息界。
- 阅读边界
- 材料为版本未注明的OpenAlex索引摘要；分布假设、实验规模的渐近方式及有效性条件未说明，不能推广到任意混合模型。
原文摘要
The nonlinear model with variance components, which combines a nonlinear model for the mean with additive random effects, is applicable to split-plot and nested experiments. We propose two methods of estimation for the parameters of the nonlinear model for the mean: (1) estimated generalized least squares (EGLS), and (2) maximum likelihood (MLE) by the method of scoring. Using a generalization of Klimko and Nelson's theorem on strong consistency of least squares estimators, it is possible to show that both the MLE and the EGLS estimators are strongly consistent, asymptotically normal, and asymptotically efficient.