Variance for Estimation and Prediction in Linear Mixed Effects Models Under MAR
随机缺失下线性混合效应模型的估计与预测方差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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要聚焦混合模型的缺失数据方差推断，尚不足以归入所列经济计量细分方向。
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
随机缺失下线性混合效应模型的估计与预测方差
- 研究问题
- 随机缺失机制在治疗组间存在差异时，常用线性混合效应模型方差估计为何可能低估治疗效应不确定性并导致过度拒绝？
- 方法与思路
- 作者将固定效应估计与方差参数估计的渐近依赖纳入不确定性计算，提出新渐近方差估计量及小样本偏差修正版本。
- 材料陈述的贡献
- 摘要称，忽略两类参数估计的渐近依赖可能使推断失效；新方法针对估计和预测提供理论论证，并以数值例子展示表现。
- 阅读关注点
- 应核对随机缺失的具体机制、渐近依赖出现的条件、新方差公式及偏差修正，并检查模拟中的检验尺寸和预测覆盖。
- 阅读边界
- 这是 arXiv 预印本，同行评审与接收未经核实；摘要未给出理论条件、模拟数值或适用范围，不能断言所有随机缺失均有此问题。
原文摘要
In linear mixed effects models (LMM), inference on fixed effects typically relies on either the generalized least squares (GLS) variance estimator obtained by assuming that the variance parameters are known, or on the Kenward-Roger method with a small-sample bias adjustment. A simulation study shows that both approaches can underestimate the variance of the treatment effect and inflate the type I error rate in large clinical trials under missing at random (MAR) mechanisms, with greater type I error inflation as the differences in the missingness mechanisms between treatment groups increase. Counterintuitively, the estimated fixed effects and variance parameters exhibit asymptotic dependence. Ignoring this dependence may lead to invalid inference. To account for this additional source of variability, we propose a new asymptotic variance estimator and a small-sample bias-corrected estimator to quantify uncertainty in estimation and prediction in LMM under MAR. The proposed methods are theoretically justified, and their performance is demonstrated by numerical examples.