Gradient Boosted Mixed Models: Flexible Estimation of Mean and Variance Components for Clustered Data
梯度提升混合模型：灵活估计聚类数据的均值与方差成分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：摘要核心是聚类数据的混合模型预测，未明确面板结构或因果识别，现有细分不足以准确归类。
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…
梯度提升混合模型：灵活估计聚类数据的均值与方差成分
- 研究问题
- 面对聚类数据，如何同时刻画非线性总体均值和随协变量变化的随机效应协方差、残差方差，并改善个体层面的预测？
- 方法与思路
- 作者通过基于似然的梯度，将梯度提升与混合效应模型结合，联合学习非参数固定效应函数及协变量依赖的方差成分。
- 材料陈述的贡献
- 摘要称该模型能恢复复杂均值与协方差结构，并改善点预测和概率预测；特定模拟中，随机效应方差函数的均方误差显著降低。
- 阅读关注点
- 核对协方差正定性如何保证、均值与方差是否可区分，以及个体处理效应的定义、预测区间校准和训练测试划分方式。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明处理效应的因果识别条件，特定模拟的改善不能直接推广至其他数据。
原文摘要
We introduce a novel way to combine gradient boosting with mixed effects models, whereby the mean and variance components are learned jointly as functions of covariates via likelihood-based gradients. Gradient Boosted Mixed Models (GBMixed) estimates a nonparametric fixed effects function characterizing the overall mean of the response, while also allowing the random effects covariance matrix along with the residual variance to depend on covariates in a flexible manner. We demonstrate how GBMixed facilitates covariate-dependent random effect predictions, and subsequently point predictions and prediction intervals for individual treatment effects, that can adapt between population-level and cluster-level information. Experiments and applications to two real-world datasets show that GBMixed can accurately recover complex nonlinear fixed effect functions and covariate-dependent covariances in a linear mixed model, while also improving point and probabilistic predictive performance compared with several existing approaches such as parametric linear mixed models, Natural Gradient Boosting, and Gaussian Process Boosting. In simulations where the variance components are designed to vary as a function of covariates, GBMixed reduces the mean squared error in recovering the random effects variance function by a factor of eight relative to linear mixed models and Gaussian Process Boosting.