Parametric bootstrap approximation to the distribution of EBLUP and related prediction intervals in linear mixed models
线性混合模型中 EBLUP 分布的参数自助近似与预测区间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：摘要研究混合模型与小区域预测，没有明确的面板结构或宏观预测场景，细分分类证据不足。
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…
线性混合模型中 EBLUP 分布的参数自助近似与预测区间
- 研究问题
- 在线性混合模型及小区域预测中，能否估计经验最优线性无偏预测量的完整分布，从而改善仅依赖预测均方误差的区间？
- 方法与思路
- 作者采用参数自助法近似适当中心化、尺度化后的 EBLUP 分布，再据此构造预测区间，并通过模拟与既有方法比较。
- 材料陈述的贡献
- 摘要称给出了与参数维数及样本量相关的分布近似误差阶，并报告模拟中的预测区间优于所比较方法，但未列具体数值。
- 阅读关注点
- 核对混合模型、方差分量估计和自助抽样方案，以及覆盖率与区间长度的比较；所给误差阶上下标不清，需查原 PDF。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；误差阶排版不清，不能重构公式。模拟优势的具体设计、数值和适用条件未说明。
原文摘要
Empirical best linear unbiased prediction (EBLUP) method uses a linear mixed model in combining information from different sources of information. This method is particularly useful in small area problems. The variability of an EBLUP is traditionally measured by the mean squared prediction error (MSPE), and interval estimates are generally constructed using estimates of the MSPE. Such methods have shortcomings like under-coverage or over-coverage, excessive length and lack of interpretability. We propose a parametric bootstrap approach to estimate the entire distribution of a suitably centered and scaled EBLUP. The bootstrap histogram is highly accurate, and differs from the true EBLUP distribution by only O(d3n−3/2), where d is the number of parameters and n the number of observations. This result is used to obtain highly accurate prediction intervals. Simulation results demonstrate the superiority of this method over existing techniques of constructing prediction intervals in linear mixed models.