Maximum Likelihood Variance Components Estimation for Binary Data
二元数据方差分量的极大似然估计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：摘要明确采用二元响应的probit模型，与离散选择方向中的二元响应建模直接相关。
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
二元数据方差分量的极大似然估计
- 研究问题
- 在含随机效应的二元响应模型中，如何估计方差分量，并对已经实现的随机效应取值进行预测及计算？
- 方法与思路
- 作者针对一类probit-normal模型描述方差分量的ML和REML估计及随机效应最佳预测；ML采用EM算法，复杂模型加入Gibbs步骤。
- 材料陈述的贡献
- 摘要提出这类二元数据模型的方差分量估计与随机效应预测方法，并通过两个例子展示计算；未报告具体性能或比较结论。
- 阅读关注点
- 应核对probit-normal模型的潜变量和随机效应设定、二元数据下REML的定义、EM中Gibbs步骤的实现及预测准则。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明，不能推断刊本变化；摘要未说明模型范围、算法收敛条件或两个例子的估计结果。
原文摘要
We consider a class of probit-normal models for binary data and describe ML and REML estimation of variance components for that class as well as best prediction for the realized values of the random effects. ML estimates are calculated using an EM algorithm; for complicated models EM includes a Gibbs step. The computations are illustrated through two examples.