A note on conditional AIC for linear mixed-effects models
线性混合效应模型条件 AIC 的推广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：摘要只明确混合效应模型与簇层面的模型选择，未说明纵向面板结构或其他所列细分。
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…
线性混合效应模型条件 AIC 的推广
- 研究问题
- 当研究关注具体簇而非边际总体时，如何在随机效应协方差矩阵未知的情况下，构造适用范围更广的条件 AIC？
- 方法与思路
- 作者在既有条件 AIC 基础上，发展不要求随机效应协方差矩阵或其缩放形式已知的一般版本，并通过模拟考察表现。
- 材料陈述的贡献
- 摘要称推广放松了既有条件 AIC 的强假设，使其可用于更广情形；模拟结果被描述为有前景，但未列出具体性能指标。
- 阅读关注点
- 应核对条件预测目标、未知协方差估计带来的修正，以及准则推导的近似条件，并查看模拟中的簇数、簇大小和候选模型。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未给出准则形式或模拟结果，不能据此断言其在所有混合模型中优于边际 AIC。
原文摘要
The conventional model selection criterion AIC has been applied to choose candidate models in mixed-effects models by the consideration of marginal likelihood. Vaida and Blanchard (2005) demonstrated that such a marginal AIC and its small sample correction are inappropriate when the research focus is on clusters. Correspondingly, these authors suggested to use conditional AIC. The conditional AIC is derived under the assumptions of the variance-covariance matrix or scaled variance-covariance matrix of random effects being known. We develop a general conditional AIC but without these strong assumptions. This allows Vaida and Blanchard's conditional AIC to be applied in a wide range. Simulation studies show that the proposed method is promising.