Grouped Heterogeneous Mixture Modeling for Clustered Data
聚类数据的分组异质混合建模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：摘要描述一般聚类数据与分组混合模型，未明确给出面板或其他所列领域结构。
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
聚类数据的分组异质混合建模
- 研究问题
- 如何用可解释的混合模型描述不同簇的条件分布，在簇间共享潜在分布，同时允许混合比例存在分组异质性？
- 方法与思路
- 作者设定所有簇共享潜在条件分布、同组簇共享混合比例，以广义 EM 求最大似然估计，并用信息准则选择模型规模。
- 材料陈述的贡献
- 摘要提出带惩罚的结构化分组策略，并在簇数与簇规模共同增长时给出渐近性质；模拟及东京犯罪风险应用展示方法。
- 阅读关注点
- 应核对潜在分布与分组的可识别性、EM 收敛与初始化，以及信息准则和惩罚分组在双重增长渐近下的条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要，聚类数据不等同于面板数据；识别条件与渐近结论细节未说明，不能推断刊本变化。
原文摘要
Clustered data are ubiquitous in a variety of scientific fields. In this article, we propose a flexible and interpretable modeling approach, called grouped heterogeneous mixture modeling, for clustered data, which models cluster-wise conditional distributions by mixtures of latent conditional distributions common to all the clusters. In the model, we assume that clusters are divided into a finite number of groups and mixing proportions are the same within the same group. We provide a simple generalized EM algorithm for computing the maximum likelihood estimator, and an information criterion to select the numbers of groups and latent distributions. We also propose structured grouping strategies by introducing penalties on grouping parameters in the likelihood function. Under the settings where both the number of clusters and cluster sizes tend to infinity, we present asymptotic properties of the maximum likelihood estimator and the information criterion. We demonstrate the proposed method through simulation studies and an application to crime risk modeling in Tokyo.