Asymptotically Unbiased Estimation in Generalized Linear Models with Random Effects
含随机效应广义线性模型的渐近无偏估计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：摘要研究随机效应模型的通用偏差校正，未明确提供面板结构或离散选择模型设定。
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
含随机效应广义线性模型的渐近无偏估计
- 研究问题
- 广义线性模型加入随机效应后，如何校正方便获得但可能有偏的初始估计，尤其改善方差分量估计并控制标准误的变化？
- 方法与思路
- 作者受迭代偏差校正启发，提出调整初始估计的一般方法，说明基于模拟的实现，并讨论与其他基于抽样的方法的关系。
- 材料陈述的贡献
- 摘要称，调整后估计具有渐近无偏性和一致性；小规模模拟显示偏差减小且标准误略增，蝾螈实例的预测有所改善。
- 阅读关注点
- 应核对渐近序列、初始估计的要求、模拟校正与迭代停止规则，以及方差分量接近边界时偏差和标准误的表现。
- 阅读边界
- 仅据所给 Crossref 摘要；理论条件与模拟数值未提供，小规模模拟和单个实例不足以证明任意参数模型中的有限样本优势。
原文摘要
SUMMARY Obtaining estimates that are nearly unbiased has proven to be difficult when random effects are incorporated into a generalized linear model. In this paper, we propose a general method of adjusting any conveniently defined initial estimates to result in estimates which are asymptotically unbiased and consistent. The method is motivated by iterative bias correction and can be applied in principle to any parametric model. A simulation-based approach of implementing the method is described and the relationship of the method proposed with other sampling-based methods is discussed. Results from a small scale simulation study show that the method proposed can lead to estimates which are nearly unbiased even for the variance components while the standard errors are only slightly inflated. A new analysis of the famous salamander mating data is described which reveals previously undetected between-animal variation among the male salamanders and results in better prediction of mating outcomes.