Consistency of maximum likelihood estimators in general random effects models for binary data
二元数据一般随机效应模型的极大似然一致性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：摘要明确研究重复二元结果、阈值模型及混合 logistic 和 probit 模型。
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…
关注这篇论文的作者
二元数据一般随机效应模型的极大似然一致性
- 研究问题
- 重复二元观测由潜在线性模型经阈值生成时，哪些条件可识别随机效应混合分布和固定效应，并保证极大似然估计收敛？
- 方法与思路
- 作者采用 Laird–Ware 结构的潜在模型，允许指定类别的多元随机效应及连续误差分布，分析阈值观测后的识别与估计。
- 材料陈述的贡献
- 摘要称给出混合分布和固定效应可识别及极大似然估计收敛的充分条件，且非参数混合要求比高斯混合更强。
- 阅读关注点
- 应核对设计变量、重复观测和误差分布的识别要求，以及非参数与高斯混合条件的差异和实例中的满足情况。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；充分条件的具体内容未说明，允许多类分布并不意味着任意随机效应与误差设定都可识别。
原文摘要
We consider a general random effects model for repeated binary measures, assuming a latent linear model with any class of mixing distributions. The latent model is assumed to have the Laird-Ware structure, but the random effects may be from any specified class of multivariate distributions and the error vector may have any specified continuous distribution. Elementwise threshold crossing then gives the observed vector of binary outcomes. Special cases of this model include recently discussed mixed logistic regression and probit models, which have had either parametric (usually Gaussian) or nonparametric mixing distributions. We give sufficient conditions for identifiability of the mixing distribution and fixed effects and for convergence of maximum likelihood estimators for the mixing distribution and fixed effects. As expected, the conditions are much stronger for nonparametric mixing than for Gaussian mixing. We illustrate the conditions by applying them to a practical example.