Application of ‘Delete = Replace’ to Deletion Diagnostics for Variance Component Estimation in the Linear Mixed Model
“删除等于替换”在线性混合模型方差分量删除诊断中的应用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：线性混合模型和受试者删除本身不足以确认面板数据设定，故不指定所列细分。
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
“删除等于替换”在线性混合模型方差分量删除诊断中的应用
- 研究问题
- 在线性混合模型中，如何评估删除单个观测、整名受试者或任意子集对限制最大似然方差分量估计的影响？
- 方法与思路
- 作者推广并证明“删除等于替换”恒等式，以条件残差为核心，利用模型拟合过程构造近似删除诊断程序。
- 材料陈述的贡献
- 摘要称该恒等式获得更一般的表述，并导出快速、透明的近似计算方法，展示多种观测删除方式的影响。
- 阅读关注点
- 应核对恒等式的适用范围、条件残差的定义、近似误差，以及删除观测或受试者后与完整重新拟合的差异。
- 阅读边界
- 仅据所给 Crossref 摘要，不推断其他版本变化。摘要未说明近似精度、边界方差分量处理或具体计算节省。
原文摘要
Summary ‘Delete = replace’ is a powerful and intuitive modelling identity. This paper extends previous work by stating and proving the identity in more general terms and extending its application to deletion diagnostics for estimates of variance components obtained by restricted maximum likelihood estimation for the linear mixed model. We present a new, fast, transparent and approximate computational procedure, arising as a by-product of the fitting process. We illustrate the effect of the deletion of individual observations, of ‘subjects’ and of arbitrary subsets. Central to the identity and its application is the conditional residual.