Dimension Reduction and Alleviation of Confounding for Spatial Generalized Linear Mixed Models
空间广义线性混合模型的降维与空间混杂缓解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：文本研究空间依赖下的混合模型参数化，未给出因果识别或经济网络干扰模型，不能仅凭混杂和空间关系归类。
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
空间广义线性混合模型的降维与空间混杂缓解
- 研究问题
- 非高斯空间回归中，如何同时处理空间混杂导致的方差膨胀，以及高维空间随机效应带来的贝叶斯计算困难？
- 方法与思路
- 作者提出空间广义线性混合模型的新参数化，大幅降低空间随机效应维度，并用多种模拟数据及婴儿死亡数据说明。
- 材料陈述的贡献
- 摘要称新参数化能够缓解空间混杂并加快计算，展示了二元、计数、正态空间模拟及大型婴儿死亡数据中的应用。
- 阅读关注点
- 应核对新参数化如何改变固定效应与随机效应的关系、降维基的选择，以及方差、计算时间和模型拟合的比较。
- 阅读边界
- 仅据所给 Crossref 摘要；缓解混杂和加速计算的条件与数值未说明，空间混杂处理不能直接视为因果识别保证。
原文摘要
Summary Non-Gaussian spatial data are very common in many disciplines. For instance, count data are common in disease mapping, and binary data are common in ecology. When fitting spatial regressions for such data, one needs to account for dependence to ensure reliable inference for the regression coefficients. The spatial generalized linear mixed model offers a very popular and flexible approach to modelling such data, but this model suffers from two major shortcomings: variance inflation due to spatial confounding and high dimensional spatial random effects that make fully Bayesian inference for such models computationally challenging. We propose a new parameterization of the spatial generalized linear mixed model that alleviates spatial confounding and speeds computation by greatly reducing the dimension of the spatial random effects. We illustrate the application of our approach to simulated binary, count and Gaussian spatial data sets, and to a large infant mortality data set.