Conditional Akaike information for mixed-effects models
混合效应模型的条件Akaike信息准则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：摘要聚焦一般簇数据混合模型的选择目标，未明确给出面板结构或所列领域的专门模型。
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
混合效应模型的条件Akaike信息准则
- 研究问题
- 在线性混合效应模型中，当研究目标是样本内特定簇而非总体时，模型选择准则应如何反映不同的推断目标？
- 方法与思路
- 作者区分总体与特定簇的研究问题，提出条件Akaike信息及cAIC，使惩罚项关联有效自由度，并覆盖ML与REML估计。
- 材料陈述的贡献
- 摘要称，常用AIC不适合聚焦特定簇的目标，提出相应的cAIC，并用药代动力学数据说明目标区别和模型选择用途。
- 阅读关注点
- 应核对条件信息的目标量、随机效应的条件化方式、有效自由度计算，以及ML和REML下准则的具体定义与适用条件。
- 阅读边界
- 仅据版本未注明的OpenAlex摘要；惩罚项公式、方差参数处理和适用条件未说明，不能将cAIC解释为所有混合模型目标下均更优，版本变化未知。
原文摘要
This paper focuses on the Akaike information criterion, AIC, for linear mixed-effects models in the analysis of clustered data. We make the distinction between questions regarding the population and questions regarding the particular clusters in the data. We show that the AIC in current use is not appropriate for the focus on clusters, and we propose instead the conditional Akaike information and its corresponding criterion, the conditional AIC, cAIC. The penalty term in cAIC is related to the effective degrees of freedom ρ for a linear mixed model proposed by Hodges & Sargent (2001); ρ reflects an intermediate level of complexity between a fixed-effects model with no cluster effect and a corresponding model with fixed cluster effects. The cAIC is defined for both maximum likelihood and residual maximum likelihood estimation. A pharmacokinetics data application is used to illuminate the distinction between the two inference settings, and to illustrate the use of the conditional AIC in model selection.