Usable and Precise Asymptotics for Generalized Linear Mixed Model Analysis and Design
广义线性混合模型分析与设计的可用精确渐近结果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：摘要研究一般分组混合模型，未明确纵向或面板结构，不能仅凭组内观测归入面板数据。
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…
广义线性混合模型分析与设计的可用精确渐近结果
- 研究问题
- 当组数与每组观测数同时增长时，如何为基于似然的广义线性混合模型得到便于构造区间、检验和设计的渐近结果？
- 方法与思路
- 作者推导双重增长情形下 Fisher 信息矩阵的精确主导项，据此建立可学生化的渐近正态形式，并分析局部 D 最优设计。
- 材料陈述的贡献
- 摘要称，结果可直接用于置信区间和 Wald 检验；类似分析还提供确定近似局部 D 最优设计的可处理主导项表达。
- 阅读关注点
- 核对两类样本规模的增长条件、不同参数的信息量阶数、学生化所需估计量，以及局部最优设计对参数取值的依赖。
- 阅读边界
- 仅依据所给 Crossref 摘要；模型结构、正则条件及增长速度限制未说明，不能据此保证少数组或小组样本下的检验表现。
原文摘要
Abstract We derive precise asymptotic results that are directly usable for confidence intervals and Wald hypothesis tests for likelihood-based generalized linear mixed model analysis. The essence of our approach is to derive the exact leading term behaviour of the Fisher information matrix when both the number of groups and number of observations within each group diverge. This leads to asymptotic normality results with simple studentizable forms. Similar analyses result in tractable leading term forms for the determination of approximate locally D-optimal designs.