Marginal Inference for Hierarchical Generalized Linear Mixed Models with Patterned Covariance Matrices Using the Laplace Approximation
利用拉普拉斯近似对具有结构化协方差矩阵的层级广义线性混合模型进行边际推断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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：核心是通用层级混合模型推断，时间序列仅属协方差结构示例，不足以确定所列领域中的主要方向。
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…
利用拉普拉斯近似对具有结构化协方差矩阵的层级广义线性混合模型进行边际推断
- 研究问题
- 在广义线性混合模型具有复杂协方差依赖时，如何统一完成协方差参数、固定效应的估计，以及潜在效应和未观测数据的预测？
- 方法与思路
- 作者采用全参数层级模型，通过拉普拉斯近似积分消去固定效应与潜在随机效应，并利用 Newton–Raphson 更新估计协方差参数。
- 材料陈述的贡献
- 摘要称，框架覆盖六类常用响应分布及多种结构化协方差，并通过模拟考察偏差与区间覆盖，以多个应用展示完整推断流程。
- 阅读关注点
- 应核对固定效应积分处理的具体设定、拉普拉斯近似误差、协方差结构的约束，以及预测区间是否计入参数估计的不确定性。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出六种分布的完整列表、近似成立条件或模拟数值，适用边界需查全文。
原文摘要
Using a hierarchical construction, we develop methods for a wide and flexible class of models by taking a fully parametric approach to generalized linear mixed models with complex covariance dependence. The Laplace approximation is used to marginally estimate covariance parameters while integrating out all fixed and latent random effects. The Laplace approximation relies on Newton-Raphson updates, which also leads to predictions for the latent random effects. We develop methodology for complete marginal inference, from estimating covariance parameters and fixed effects to making predictions for unobserved data, for any patterned covariance matrix in the hierarchical generalized linear mixed models framework. The marginal likelihood is developed for six distributions that are often used for binary, count, and positive continuous data, and our framework is easily extended to other distributions. The methods are illustrated with simulations from stochastic processes with known parameters, and their efficacy in terms of bias and interval coverage is shown through simulation experiments. Examples with binary and proportional data on election results, count data for marine mammals, and positive-continuous data on heavy metal concentration in the environment are used to illustrate all six distributions with a variety of patterned covariance structures that include spatial models (e.g., geostatistical and areal models), time series models (e.g., first-order autoregressive models), and mixtures with typical random intercepts based on grouping.