Improved Small Sample Inference in the Mixed Linear Model: Bartlett Correction and Adjusted Likelihood
混合线性模型的小样本推断改进：Bartlett 校正与调整似然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：摘要明确以不平衡重复测量数据和混合线性模型为对象，与面板数据中的个体内重复观测直接相关。
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…
混合线性模型的小样本推断改进：Bartlett 校正与调整似然
- 研究问题
- 混合线性模型分析不平衡重复测量数据时，如何改进固定效应的小样本似然比检验，使第一类错误率更接近名义水平？
- 方法与思路
- 作者分别及联合考察 Bartlett 校正与 Cox–Reid 调整似然，并通过一个实际数据集和两项模拟研究比较检验表现。
- 材料陈述的贡献
- 摘要称，常规检验偏向过度拒绝，调整似然检验偏保守；Bartlett 校正在两类检验中均明显改善所研究情形的错误率。
- 阅读关注点
- 应核对固定效应假设、协方差参数和校正计算条件，以及模拟样本规模、名义水平、错误率精度与功效表现。
- 阅读边界
- 所给为 Crossref 摘要；改进来自所述数据和模拟设定，未提供完整条件或数值，不能保证所有混合模型的小样本检验均获改善。
原文摘要
Summary The mixed linear model is a popular method for analysing unbalanced repeated measurement data. The classical statistical tests for parameters in this model are based on asymptotic theory that is unreliable in the small samples that are often encountered in practice. For testing a given fixed effect parameter with a small sample, we develop and investigate refined likelihood ratio (LR) tests. The refinements considered are the Bartlett correction and use of the Cox–Reid adjusted likelihood; these are examined separately and in combination. We illustrate the various LR tests on an actual data set and compare them in two simulation studies. The conventional LR test yields type I error rates that are higher than nominal. The adjusted LR test yields rates that are lower than nominal, with absolute accuracy similar to that of the conventional LR test in the first simulation study and better in the second. The Bartlett correction substantially improves the accuracy of the type I error rates with either the conventional or the adjusted LR test. In many cases, error rates that are very close to nominal are achieved with the refined methods.