Valid predictions of random quantities in linear mixed models
线性混合模型中随机量的有效预测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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要研究混合模型中随机量的预测区间，未明确提供面板结构或因果识别设计；仅出现处理效应实例不足以据此确定细分。
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…
线性混合模型中随机量的有效预测
- 研究问题
- 在线性混合模型中，如何为未观测个体或群组的随机量构造覆盖率达到名义水平的预测区间，例如新农场的处理效应？
- 方法与思路
- 作者在两阶段线性混合效应模型框架内，利用推断模型 IM 构造预测区间，并通过模拟和两个农业数据集考察其表现。
- 材料陈述的贡献
- 摘要称，所提 IM 区间对任意样本量具有有效性保证；模拟提示部分变体兼顾有效性与效率，应用中显示标准区间可能低估不确定性。
- 阅读关注点
- 应核对重复抽样覆盖率如何定义、有效性保证的模型条件，以及预测对象、方差分量处理和效率比较所用的区间长度标准。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；任意样本量保证限于相应模型框架，摘要未说明误设下覆盖表现。
原文摘要
In applications of linear mixed-effects models, experimenters often desire uncertainty quantification for random quantities, like predicted treatment effects for unobserved individuals or groups. For example, consider an agricultural experiment measuring a response on animals receiving different treatments and residing on different farms. A farmer deciding whether to adopt the treatment is most interested in farm-level uncertainty quantification, for example, the range of plausible treatment effects predicted at a new farm. The two-stage linear mixed-effects model is often used to model this type of data. However, standard techniques for linear mixed model-based prediction do not produce calibrated uncertainty quantification. In general, the prediction intervals used in practice are not valid -- they do not meet or exceed their nominal coverage level over repeated sampling. We propose new methods for constructing prediction intervals within the two-stage model framework based on an inferential model (IM). The IM method generates prediction intervals that are guaranteed valid for any sample size. Simulation experiments suggest variations of the IM method that are both valid and efficient, a major improvement over existing methods. We illustrate the use of the IM method using two agricultural data sets, including an on-farm study where the IM-based prediction intervals suggest a higher level of uncertainty in farm-specific effects compared to the standard Student-$t$ based intervals, which are not valid.