Conditional inference about generalized linear mixed models
广义线性混合模型的条件推断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：广义线性混合模型可用于多类数据，但摘要未明确涉及面板、离散选择或其他所列方向。
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
广义线性混合模型的条件推断
- 研究问题
- 如何在对随机效应分布施加较弱假设的情况下，对广义线性混合模型进行可计算的推断，并建立估计的一致性？
- 方法与思路
- 作者提出在若干方面类似最小二乘的推断方法，并研究对部分随机效应作条件化后，利用条件似然实施模型推断。
- 材料陈述的贡献
- 摘要称，方法依赖较弱的随机效应分布假设且计算可行，并研究估计的渐近行为，在一定条件下证明一致性。
- 阅读关注点
- 应核对条件化所选随机效应、条件似然的构造及参数可识别性，并查明弱分布假设、一致性条件和计算实现细节。
- 阅读边界
- 摘要未说明随机效应假设、具体渐近结构或计算复杂度，不能推定适用于所有混合模型；索引摘要未注明稿件版本。
原文摘要
We propose a method of inference for generalized linear mixed models (GLMM) that in many ways resembles the method of least squares. We also show that adequate inference about GLMM can be made based on the conditional likelihood on a subset of the random effects. One of the important features of our methods is that they rely on weak distributional assumptions about the random effects. The methods proposed are also computationally feasible. Asymptotic behavior of the estimates is investigated. In particular, consistency is proved under reasonable conditions.