Conditional Akaike information under generalized linear and proportional hazards mixed models
广义线性与比例风险混合模型中的条件 Akaike 信息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：摘要聚焦一般聚类混合模型的选择，未明确纵向面板结构或其他所列计量细分方向。
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…
广义线性与比例风险混合模型中的条件 Akaike 信息
- 研究问题
- 当聚类数据分析关注各簇自身的推断时，如何将条件 Akaike 信息用于广义线性和比例风险混合模型的选择？
- 方法与思路
- 作者以渐近近似扩展条件 Akaike 信息，在存在干扰参数时提出剖面形式，并考察 bootstrap 构造的有限样本表现。
- 材料陈述的贡献
- 摘要称，方法扩展了线性混合模型下的条件信息准则；模拟中解析与 bootstrap 准则表现相近，后者在较大簇时有部分优势。
- 阅读关注点
- 应核对簇特定推断对应的目标、渐近展开与干扰参数处理，以及 bootstrap 方案、簇规模设定和模型选择的评价标准。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；近似条件及数值差异未说明，所述 bootstrap 优势不能推广到所有簇结构。
原文摘要
We study model selection for clustered data, when the focus is on cluster specific inference. Such data are often modelled using random effects, and conditional Akaike information was proposed in Vaida & Blanchard (2005) and used to derive an information criterion under linear mixed models. Here we extend the approach to generalized linear and proportional hazards mixed models. Outside the normal linear mixed models, exact calculations are not available and we resort to asymptotic approximations. In the presence of nuisance parameters, a profile conditional Akaike information is proposed. Bootstrap methods are considered for their potential advantage in finite samples. Simulations show that the performance of the bootstrap and the analytic criteria are comparable, with bootstrap demonstrating some advantages for larger cluster sizes. The proposed criteria are applied to two cancer datasets to select models when the cluster-specific inference is of interest.