Maximum likelihood estimation of limited and discrete dependent variable models with nested random effects
具有嵌套随机效应的受限与离散因变量模型的最大似然估计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：摘要直接涉及 probit 及具有随机系数的离散因变量模型。
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…
具有嵌套随机效应的受限与离散因变量模型的最大似然估计
- 研究问题
- 在大簇或较高簇内相关的受限、离散因变量模型中，如何改善随机效应似然积分及参数估计的准确性？
- 方法与思路
- 作者以自适应求积改进随机成分 probit 的似然计算，再扩展到嵌套随机截距和随机系数，并使用球面求积。
- 材料陈述的贡献
- 摘要称自适应求积大幅缓解传统求积在大簇和高相关情形下的估计偏差，模拟显示其在多种情形下表现良好。
- 阅读关注点
- 应核对自适应节点的构造、多层随机效应的积分实现，以及求积精度、计算成本和估计偏差之间的权衡。
- 阅读边界
- 仅据所给作者／机构库版本摘要，未核对刊本变化；摘要未给出随机效应分布、模拟范围和误差容限，不能据此保证所有层级模型的精度。
原文摘要
Gauss-Hermite quadrature is often used to evaluate and maximize the likelihood for random component probit models. Unfortunately, the estimates are biased for large cluster sizes and/or intraclass correlations. We show that adaptive quadrature largely overcomes these problems. We then extend the adaptive quadrature approach to general random coefficient models with limited and discrete dependent variables. The models can include several nested random effects (intercepts and coefficients) representing unobserved heterogeneity at different levels of a hierarchical dataset. The required multivariate integrals are evaluated efficiently using spherical quadrature rules. Simulations show that adaptive quadrature performs well in a wide range of situations.