Approximate Conditional Inference in Generalized Linear Models
广义线性模型中的近似条件推断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：主要内容是通用广义线性模型条件推断，二元回归示例未明确涉及选择行为，分类证据不足。
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
广义线性模型中的近似条件推断
- 研究问题
- 对采用典范连接函数的广义线性模型，如何方便地近似充分统计量的条件分布，并据此进行条件推断和模型检验？
- 方法与思路
- 作者构造条件密度与分布的近似，利用拟合模型的偏差和方差矩阵估计，实施修正剖面对数似然及尾概率推断。
- 材料陈述的贡献
- 摘要称近似便于计算且准确，给出二元Logistic回归和对数线性模型示例，并用于检验新增变量所反映的模型适切性。
- 阅读关注点
- 应核对条件化所用统计量、近似公式及误差阶、典范连接的作用，以及新增变量检验在不同模型中的实现和校准。
- 阅读边界
- 仅依据Crossref摘要；未给出近似误差或样本量范围，二元Logistic示例不能保证结论适用于所有连接函数或离散选择模型。
原文摘要
SUMMARY Easily calculated and accurate approximations are developed to the conditional densities and distributions of sufficient statistics in generalized linear models with canonical link functions. They enable conditional inferences based on modified profile log-likelihoods and tail probabilities to be made using only the deviance and the variance matrix estimate based on fitted models. Examples are given in binary logistic regression and a log-linear model, and the results are applied to added variable tests of model adequacy.