Exact and Approximate Inferences for Nonlinear Mixed-Effects Models With Missing Covariates
协变量缺失的非线性混合效应模型：精确与近似推断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：摘要明确以纵向研究中的混合效应模型为对象，与个体重复观测的面板建模直接相关。
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…
关注这篇论文的作者
协变量缺失的非线性混合效应模型：精确与近似推断
- 研究问题
- 纵向研究中的非线性混合效应模型若存在协变量缺失，如何在缺失机制可忽略时进行似然推断并改善计算收敛？
- 方法与思路
- 作者提出 Monte Carlo 参数扩展 EM 算法，构造精确与近似似然推断，允许不同缺失模式及离散、连续或混合协变量。
- 材料陈述的贡献
- 摘要称，参数扩展可能加快收敛，近似方案计算更高效，并在某些模型中成为精确方案；另提供模拟与 HIV 数据示例。
- 阅读关注点
- 应核对可忽略缺失机制及协变量模型的条件、近似方案何时精确，以及 Monte Carlo 误差和算法收敛的处理。
- 阅读边界
- 来源为版本未注明的 OpenAlex 索引摘要；未给出具体近似误差、推断覆盖保证和比较数值，不能据此认定普遍加速。
原文摘要
Nonlinear mixed-effects (NLME) models are popular in many longitudinal studies, including human immunodeficiency virus (HIV) viral dynamics, pharmacokinetic analyses, and studies of growth and decay. In practice, covariates in these studies often contain missing data, and so standard complete-data methods are not directly applicable. In this article we propose Monte Carlo parameter-expanded (PX)-EM algorithms for exact and approximate likelihood inferences for NLME models with missing covariates when the missing-data mechanism is ignorable. We allow arbitrary missing-data patterns and allow the covariates to be categorical, continuous, and mixed. The PX-EM algorithm maintains the simplicity and stability of the standard EM algorithm and may converge much faster than EM. The approximate method is computationally more efficient and may be preferable to the exact method when the exact method exhibits convergence problems, such as slow convergence or nonconvergence. It becomes an exact method for linear mixed-effects models and certain NLME models with missing covariates. We also discuss several sampling methods and convergence of the Monte Carlo (PX) EM algorithms. We illustrate the methods using a real data example from the study of HIV viral dynamics and compare the methods via a simulation study.