Influence Diagnostics and Outlier Tests for Semiparametric Mixed Models
半参数混合模型的影响诊断与异常值检验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：摘要明确针对纵向数据的混合模型，并讨论受试者层面的删除诊断，与面板数据方法直接相关。
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…
半参数混合模型的影响诊断与异常值检验
- 研究问题
- 含非参数分量的半参数混合模型中，如何识别单条观测或整个受试者对固定效应估计的影响，并据此检验异常值？
- 方法与思路
- 作者将删除观测与删除受试者的诊断扩展至最大惩罚似然估计，并建立删除模型与均值偏移异常值模型的等价关系。
- 材料陈述的贡献
- 摘要称提供可结合估计算法计算的固定效应影响指标，并由模型等价关系导出异常值检验，以纵向激素研究和模拟展示。
- 阅读关注点
- 应核对删除诊断是否重新选择平滑参数、均值偏移等价关系的条件，以及相关观测下异常值检验的校准方式。
- 阅读边界
- 仅据所给Crossref摘要；摘要未说明随机效应、惩罚设定或检验分布，诊断公式的可计算性不能直接证明异常值识别准确。
原文摘要
Summary Semiparametric mixed models are useful in biometric and econometric applications, especially for longitudinal data. Maximum penalized likelihood estimators (MPLEs) have been shown to work well by Zhang and co-workers for both linear coefficients and nonparametric functions. This paper considers the role of influence diagnostics in the MPLE by extending the case deletion and subject deletion analysis of linear models to accommodate the inclusion of a nonparametric component. We focus on influence measures for the fixed effects and provide formulae that are analogous to those for simpler models and readily computable with the MPLE algorithm. We also establish an equivalence between the case or subject deletion model and a mean shift outlier model from which we derive tests for outliers. The influence diagnostics proposed are illustrated through a longitudinal hormone study on progesterone and a simulated example.