Asymptotic Properties and Information Criteria for Misspecified Generalized Linear Mixed Models
误设广义线性混合模型的渐近性质与信息准则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：摘要属于混合模型误设与模型选择理论，调查应用不足以确定所列领域细分。
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
误设广义线性混合模型的渐近性质与信息准则
- 研究问题
- 作者研究广义线性混合模型存在误设时的估计和模型选择，区分候选模型全部误设与候选集合包含真实生成机制两种情况。
- 方法与思路
- 作者在条件 Kullback–Leibler 散度框架下分析估计量，提出条件广义信息准则，并通过最小化该准则进行模型选择。
- 材料陈述的贡献
- 摘要称，全部候选模型误设时选择程序具有渐近损失效率，真模型在候选集合内时具有选择一致性，并提供模拟与调查应用。
- 阅读关注点
- 应核对条件散度针对哪些随机量、信息准则的惩罚项，以及损失效率和选择一致性分别需要哪些候选模型与渐近条件。
- 阅读边界
- 仅据 Crossref 摘要；摘要未提供完整正则条件、模拟数值或调查数据设定，不能判断小样本效果及对其他混合模型的适用性。
原文摘要
Summary The problem of misspecification poses challenges in model selection. The paper studies the asymptotic properties of estimators for generalized linear mixed models with misspecification under the framework of conditional Kullback–Leibler divergence. A conditional generalized information criterion is introduced, and a model selection procedure is proposed by minimizing the criterion. We prove that the model selection procedure proposed is asymptotically loss efficient when all the candidate models are misspecified. The model selection consistency of the model selection procedure is also established when the true data-generating procedure lies within the set of candidate models. Simulation experiments confirm the effectiveness of the method proposed. The use of the criterion for model selection is illustrated through an analysis of the European Currency Opinion Survey data.