Analysis of grouped data using conjugate generalized linear mixed models
利用共轭广义线性混合模型分析分组数据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：摘要研究一般两层分组数据，并未明确涉及纵向面板或所列其他计量领域，故不据分组结构归类。
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…
利用共轭广义线性混合模型分析分组数据
- 研究问题
- 对于组间随机效应独立的两层分组数据，何时可以显式计算边际似然，并同时纳入个体与组层面的协变量？
- 方法与思路
- 作者以边际似然具有闭式表达为共轭定义，建立统一的广义线性混合模型框架，并推导闭式表达的充要条件。
- 材料陈述的贡献
- 摘要称高斯、泊松及伽马响应可纳入两层协变量，二项响应仅容许组层协变量；泊松模拟展示计算时间方面的优势。
- 阅读关注点
- 应核对闭式似然的充要条件、各响应分布的协变量限制，以及随机效应分布误设下稳健性比较的实际范围。
- 阅读边界
- 仅据所给Crossref摘要，共轭指闭式边际似然而非必然采用贝叶斯推断；模拟表现不能推广到全部响应类型。
原文摘要
Summary This article concerns a class of generalized linear mixed models for two-level grouped data, where the random effects are uniquely indexed by groups and are independent. We derive necessary and sufficient conditions for the marginal likelihood to be expressed in explicit form. These models are unified under the conjugate generalized linear mixed models framework, where conjugate refers to the fact that the marginal likelihood can be expressed in closed form, rather than implying inference via the Bayesian paradigm. The proposed framework allows simultaneous conjugacy for Gaussian, Poisson and gamma responses, and thus can accommodate both unit- and group-level covariates. Only group-level covariates can be incorporated for the binomial distribution. In a simulation of Poisson data, our framework outperformed its competitors in terms of computational time, and was competitive in terms of robustness against misspecification of the random effects distributions.