Multivariate Multinomial Logit Model with ANOVA Decomposition for Correlated Categorical Outcomes
相关分类结果的多变量多项Logit模型与ANOVA分解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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要核心是多分类结果的离散选择/多项Logit建模与估计方法，直接对应离散选择方向；未涉及因果识别、面板结构或宏观金融主题。
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…
相关分类结果的多变量多项Logit模型与ANOVA分解
- 研究问题
- 摘要称，医学研究中患者常有多个相互依赖的分类结果（如创伤后应激障碍、抑郁与疼痛），而既有研究多用多项回归分别分析，忽略同期状况间的相关性，可能损失信息并降低预测精度；如何在考虑多个分类结果相关性的同时应对高维参数空间的估计困难，是本文关注的问题。
- 方法与思路
- 作者提出多变量多项Logit模型以刻画结果间相关性，并对参数空间使用ANOVA分解以减少参数个数；该分解使条件模型可显式写出，从而构造计算上更简单的复合似然用于估计，并给出高效Minorization-Maximization算法最大化复合似然，同时通过bridge惩罚实现变量选择。
- 材料陈述的贡献
- 摘要称其贡献在于：提出可纳入结果相关性的多变量多项Logit建模框架，借助ANOVA分解降低参数维度并得到便于计算的复合似然，配套开发带bridge惩罚变量选择的MM算法；模拟研究显示其在参数估计与变量选择上的准确性，并用AURORA研究数据作实证展示。
- 阅读关注点
- 应核对ANOVA分解的具体参数约束与可识别性条件、复合似然由哪些条件模型组成及其统计性质、MM算法的收敛与计算复杂度、bridge惩罚的调参方式，以及模拟设计与AURORA数据的变量定义和结果解释是否支持摘要中的准确性表述。
- 阅读边界
- 仅依据摘要，无法判断估计量的一致性、渐近分布、模型假设是否成立及实证结论的稳健性；摘要未说明具体数值结果、样本量与比较基准。该文为arXiv预印本，未经同行评审验证，不能据此声称已被期刊接收或发表。
原文摘要
In medical research, patients often have multiple interdependent outcomes, such as posttraumatic stress disorder (PTSD), depression, and pain among trauma survivors. Most existing research uses multinomial regression to analyze these interdependent outcomes separately, which ignores correlations between concurrent conditions. This omission may lead to loss of information and reduced predictive accuracy. Accounting for correlations between multiple categorical outcomes requires a high-dimensional parameter space, making model estimation challenging. In this paper, we propose a multivariate multinomial logit model that captures outcome correlations and uses the ANOVA decomposition of the parameter space to reduce the number of parameters. The ANOVA decomposition enables explicit conditional model formulations, which allow for a computationally much simpler composite likelihood for model estimation. We develop an efficient Minorization-Maximization (MM) algorithm to maximize the composite likelihood, which also incorporates variable selection via a bridge penalty. Simulation studies are conducted to evaluate our method, demonstrating its accuracy in parameter estimation and variable selection. We further illustrate our method using data from the AURORA study.