Within-cluster resampling for multilevel models under informative cluster size
信息性簇规模下多层模型的簇内重采样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：摘要研究一般簇数据和多层模型，未明确纵向面板、因果效应或网络干扰结构。
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
信息性簇规模下多层模型的簇内重采样
- 研究问题
- 当簇规模包含与多层模型相关的信息时，如何减少参数估计偏差，而无需正确指定簇规模自身的统计模型？
- 方法与思路
- 作者从每个簇抽取固定数量观测形成自助样本，最大化这些样本的平均复合对数似然，并构造协方差估计和相关检验。
- 材料陈述的贡献
- 摘要称，所提估计量具有一致性且不要求正确指定簇规模模型；模拟显示其可纠正部分参数上不可忽略的偏差。
- 阅读关注点
- 应核对固定抽样数的选择、复合似然形式、一致性仍需满足的条件，以及簇规模非信息性检验和参数间偏差差异。
- 阅读边界
- 仅据 Crossref 摘要；具体一致性条件与模拟数值未说明，无需正确指定簇规模模型不表示对任意多层模型误设均有效。
原文摘要
Summary A within-cluster resampling method is proposed for fitting a multilevel model in the presence of informative cluster size. Our method is based on the idea of removing the information in the cluster sizes by drawing bootstrap samples which contain a fixed number of observations from each cluster. We then estimate the parameters by maximizing an average, over the bootstrap samples, of a suitable composite loglikelihood. The consistency of the proposed estimator is shown and does not require that the correct model for cluster size is specified. We give an estimator of the covariance matrix of the proposed estimator, and a test for the noninformativeness of the cluster sizes. A simulation study shows, as in Neuhaus & McCulloch (2011), that the standard maximum likelihood estimator exhibits little bias for some regression coefficients. However, for those parameters which exhibit nonnegligible bias, the proposed method is successful in correcting for this bias.