On the use of a penalized quasilikelihood information criterion for generalized linear mixed models
广义线性混合模型的惩罚拟似然信息准则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：摘要研究通用混合模型的联合变量选择，未明确给出经济面板结构或所列其他对象，不能仅因固定和随机效应而归入面板。
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惩罚拟似然信息准则
- 研究问题
- 广义线性混合模型中，对大量候选模型计算最大似然估计成本较高，能否用惩罚拟似然快速联合选择固定效应和随机效应？
- 方法与思路
- 作者研究惩罚拟似然估计的一致性，并设计新的信息准则，重点调整因拟似然将随机效应视为固定量而产生的复杂度计量问题。
- 材料陈述的贡献
- 摘要称新准则能渐近识别重要固定效应和随机效应；模拟中选择表现具有竞争力、有时更好，同时显著减少计算时间。
- 阅读关注点
- 应核对估计一致性与选择一致性的条件、随机效应复杂度的惩罚方式，以及候选模型范围和计算时间比较的实施细节。
- 阅读边界
- 仅据所给 Crossref 摘要；渐近框架、惩罚项及模拟设置未说明，不能据此保证小样本选择正确或普遍优于最大似然准则，其他版本变化未提供。
原文摘要
Summary Information criteria are commonly used for joint fixed and random effects selection in mixed models. While information criteria are straightforward to implement, a major difficulty in applying them is that they are typically based on maximum likelihood estimates, but calculating such estimates for one candidate mixed model, let alone multiple models, presents a major computational challenge. To overcome this hurdle, we study penalized quasilikelihood estimation and use it as the basis for performing fast joint selection. Under a general framework, we show that penalized quasilikelihood estimation produces consistent estimates of the true parameters. We then propose a new penalized quasilikelihood information criterion whose distinguishing feature is the way it accounts for model complexity in the random effects, since penalized quasilikelihood estimation effectively treats the random effects as fixed. We demonstrate that the criterion asymptotically identifies the true set of important fixed and random effects. Simulations show that the quasilikelihood information criterion performs competitively with and sometimes better than common maximum likelihood information criteria for joint selection, while offering substantial reductions in computation time.