Robustness, model checking, and hierarchical models
稳健性、模型检验与层级模型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：摘要研究一般层级模型诊断与稳健性，潜在高斯结构本身不等同于给定的因子或面板模型。
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
稳健性、模型检验与层级模型
- 研究问题
- 层级模型中难以直接观察的潜在参数假设应如何检验，又如何评估这些假设的偏离对最终推断结果的影响？
- 方法与思路
- 作者先构造放宽假设的备选模型，再推导对相应偏离最敏感的诊断统计量，并将模型检验与后续稳健性分析结合。
- 材料陈述的贡献
- 摘要提出检查层级模型假设及其影响的一般流程，以潜在高斯性为例，并提供 Stan 示例和面向 R-INLA 拟合模型的函数。
- 阅读关注点
- 应核对备选模型如何规定偏离方向、最敏感诊断的判据和校准方式，以及检验发现的偏离如何传递到稳健性分析。
- 阅读边界
- 仅据所给 Crossref 摘要；摘要未说明诊断的完整条件、错误率或软件覆盖范围，不能由检验未拒绝推断潜在高斯性成立。
原文摘要
Abstract Model checking is essential to evaluate the adequacy of statistical models and the validity of inferences drawn from them. Particularly, hierarchical models such as latent Gaussian models (LGMs) pose unique challenges as it is difficult to check assumptions on the latent parameters. Diagnostic statistics are often used to quantify the degree to which a model fit deviates from the observed data. We construct diagnostic statistics by (a) defining an alternative model with relaxed assumptions and (b) deriving the diagnostic statistic most sensitive to discrepancies induced by this alternative model. We also promote a workflow for model criticism that combines model checking with subsequent robustness analysis. As a result, we obtain a general recipe to check assumptions in hierarchical models and the impact of these assumptions on the results. We demonstrate the ideas by assessing the latent Gaussianity assumption, a crucial but often overlooked assumption in LGMs. We illustrate the methods via examples utilizing Stan and provide functions for easy usage of the methods for general models fitted through R-INLA.