Estimation in Dirichlet random effects models
Dirichlet 过程随机效应模型的估计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：摘要聚焦贝叶斯非参数混合模型计算，随机效应和 probit 链接不足以确定面板或离散选择方向。
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…
关注这篇论文的作者
Dirichlet 过程随机效应模型的估计
- 研究问题
- 如何提高含 Dirichlet 过程随机效应的混合模型计算效率，并选择该过程精度参数的估计方法及相应扩展？
- 方法与思路
- 作者利用多项分布和 Dirichlet 分布性质构造 Gibbs 采样器，扩展到 probit 链接模型，并比较精度参数的估计方式。
- 材料陈述的贡献
- 摘要称新采样器在算子范数和效率上改进常用 MCMC 算法，并认为精度参数的后验众数是合理方案，而极大似然未必理想。
- 阅读关注点
- 应核对采样器更新步骤、算子范数与效率比较的具体标准、probit 扩展的条件，以及精度参数估计结论的适用范围。
- 阅读边界
- 所给 OpenAlex 索引摘要未注明稿件版本；算法比较的条件、计算成本和真实数据结果未说明，不能认定其对所有模型均更高效。
原文摘要
We develop a new Gibbs sampler for a linear mixed model with a Dirichlet process random effect term, which is easily extended to a generalized linear mixed model with a probit link function. Our Gibbs sampler exploits the properties of the multinomial and Dirichlet distributions, and is shown to be an improvement, in terms of operator norm and efficiency, over other commonly used MCMC algorithms. We also investigate methods for the estimation of the precision parameter of the Dirichlet process, finding that maximum likelihood may not be desirable, but a posterior mode is a reasonable approach. Examples are given to show how these models perform on real data. Our results complement both the theoretical basis of the Dirichlet process nonparametric prior and the computational work that has been done to date.