A Correlated Probit Model for Joint Modeling of Clustered Binary and Continuous Responses
聚类二元与连续响应联合建模的相关Probit模型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：摘要明确采用正态潜变量Probit模型处理二元响应，直接对应离散响应建模。
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
聚类二元与连续响应联合建模的相关Probit模型
- 研究问题
- 如何联合建模簇内相关的二元和连续响应，并计算混合模型的最大似然估计；联合拟合在哪些情形可能比单独拟合更有效率？
- 方法与思路
- 作者以二元响应背后的正态潜变量构建相关Probit模型，提出蒙特卡洛期望条件最大化算法，并结合毒性研究与模拟评价。
- 材料陈述的贡献
- 摘要称，算法扩展并加速已有二元响应方法；模拟提示联合拟合的效率收益主要出现在样本较小且簇内响应相关较强时。
- 阅读关注点
- 应核对潜变量与相关结构设定、似然识别和算法收敛，并检查效率比较的样本规模、相关程度及蒙特卡洛计算成本。
- 阅读边界
- 仅据OpenAlex索引摘要，版本未注明；效率收益是所述模拟的发现，未提供数值，也不能推广为联合拟合普遍更优。
原文摘要
A difficulty in joint modeling of continuous and discrete response variables is the lack of a natural multivariate distribution. For joint modeling of clustered observations on binary and continuous responses, we study a correlated probit model that has an underlying normal latent variable for the binary responses. Catalano and Ryan have factored the model into a marginal and a conditional component and used generalized estimating equations methodology to estimate the effects. We propose a Monte Carlo expectation–conditional maximization algorithm for finding maximum likelihood estimates of the mixed model itself, extending and accelerating an algorithm for models with binary responses. We demonstrate the methodology with a developmental toxicity study measuring fetal weight and a binary malformation status for several litters of mice. A simulation study suggests that efficiency gains of joint fittings over separate fittings of the response variables occur mainly for small datasets with strong correlations between the responses within cluster.