Variable selection in linear mixed effects models
线性混合效应模型中的变量选择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：摘要研究一般线性混合模型的变量选择，未明确给出面板数据结构或其他所列领域的直接证据。
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
线性混合效应模型中的变量选择
- 研究问题
- 在线性混合效应模型中，如何同时选择和估计重要的固定与随机效应，并处理未知随机效应协方差带来的困难？
- 方法与思路
- 作者用非凹惩罚剖面似然选择固定效应，以代理矩阵替代未知协方差，并用分组变量选择策略处理随机效应。
- 材料陈述的贡献
- 摘要称适当代理矩阵下固定效应选择具有一致性，随机效应程序可渐近识别全部真实效应，且允许两类维度指数增长。
- 阅读关注点
- 应核对代理矩阵条件、惩罚与分组方式、维度增长限制，并区分识别全部真实随机效应与排除所有虚假效应的保证。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；代理矩阵具体条件、模拟和应用数值未说明，不能推断任意代理矩阵均有效。
原文摘要
This paper is concerned with the selection and estimation of fixed and random effects in linear mixed effects models. We propose a class of nonconcave penalized profile likelihood methods for selecting and estimating important fixed effects. To overcome the difficulty of unknown covariance matrix of random effects, we propose to use a proxy matrix in the penalized profile likelihood. We establish conditions on the choice of the proxy matrix and show that the proposed procedure enjoys the model selection consistency where the number of fixed effects is allowed to grow exponentially with the sample size. We further propose a group variable selection strategy to simultaneously select and estimate important random effects, where the unknown covariance matrix of random effects is replaced with a proxy matrix. We prove that, with the proxy matrix appropriately chosen, the proposed procedure can identify all true random effects with asymptotic probability one, where the dimension of random effects vector is allowed to increase exponentially with the sample size. Monte Carlo simulation studies are conducted to examine the finite-sample performance of the proposed procedures. We further illustrate the proposed procedures via a real data example.