Maximum Likelihood Algorithms for Generalized Linear Mixed Models
广义线性混合模型的最大似然算法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：摘要研究通用广义线性混合模型算法，未明确给出面板数据或其他所列细分的应用结构。
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
广义线性混合模型的最大似然算法
- 研究问题
- 广义线性混合模型中，如何通过蒙特卡洛方法实现最大似然估计，并理解联合最大化或惩罚拟似然方法的不足？
- 方法与思路
- 作者构造蒙特卡洛 EM 和 Newton–Raphson 算法，评估并改进重要性抽样，再以 Newton–Raphson 框架比较不同估计方法。
- 材料陈述的贡献
- 摘要称，这些算法使此前难以处理的多类问题能够计算最大似然估计，并解释联合最大化或惩罚拟似然可能表现不佳的原因。
- 阅读关注点
- 应核对随机效应积分如何近似、重要性分布如何选择、迭代和模拟误差如何控制，以及替代方法表现不佳的具体条件。
- 阅读边界
- 材料为 OpenAlex 索引摘要，稿件版本未注明；摘要未说明收敛保证、计算规模或比较结果，不能据此认定所有混合模型均可高效求解。
原文摘要
Maximum likelihood algorithms are described for generalized linear mixed models. I show how to construct a Monte Carlo version of the EM algorithm, propose a Monte Carlo Newton-Raphson algorithm, and evaluate and improve the use of importance sampling ideas. Calculation of the maximum likelihood estimates is feasible for a wide variety of problems where they were not previously. I also use the Newton-Raphson algorithm as a framework to compare maximum likelihood to the “joint-maximization” or penalized quasi-likelihood methods and explain why the latter can perform poorly.