Marginal and Conditional Multiple Inference for Linear Mixed Model Predictors
线性混合模型预测量的边际与条件多重推断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：摘要研究一般群组混合模型预测量，群组结构本身不足以确认面板数据或其他所列方向。
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…
线性混合模型预测量的边际与条件多重推断
- 研究问题
- 在线性混合模型中，如何对多个群组特定预测量同时推断，并厘清边际置信集合与条件置信集合之间的关系？
- 方法与思路
- 作者建立群组预测量的多重推断框架，在边际与条件分布下构造置信集合，并研究用标准分位数检验线性假设。
- 材料陈述的贡献
- 摘要称相应的边际多重置信集合也具有条件推断的渐近有效性，可无需重抽样开展检验，并提供模拟与监狱死亡率应用。
- 阅读关注点
- 应核对条件推断所固定的对象、群组数量与规模的渐近设定、同时覆盖的定义，以及标准分位数适用的具体条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，无法判断刊本变化；摘要未说明完整条件，不能认为任意边际置信区间都自动具有条件覆盖率。
原文摘要
In spite of its high practical relevance, cluster specific multiple inference for linear mixed model predictors has hardly been addressed so far. While marginal inference for population parameters is well understood, conditional inference for the cluster specific predictors is more intricate. This work introduces a general framework for multiple inference in linear mixed models for cluster specific predictors. Consistent confidence sets for multiple inference are constructed under both, the marginal and the conditional law. Furthermore, it is shown that, remarkably, corresponding multiple marginal confidence sets are also asymptotically valid for conditional inference. Those lend themselves for testing linear hypotheses using standard quantiles without the need of resampling techniques. All findings are validated in simulations and illustrated along a study on Covid-19 mortality in the U.S. state prisons. Supplementary materials for this article are available online.