[论文解读] Marginal and Conditional Multiple Inference in Linear Mixed Models
本文提出了一种线性混合模型中同时多重推断的通用框架，聚焦于使用标准分位数（无需重抽样）的聚类特定（条件）参数。研究表明，尽管条件置信集是可行的，边际置信集对于条件推断也具有渐近有效性，从而实现了对总体效应和聚类特定效应的稳健、计算高效的推断。
In spite of its high practical relevance, multiple inference in linear mixed models has hardly been addressed so far. Such inference is interesting for population parameters (marginal) as well as about cluster specific ones (conditional). This work introduces a general framework for multiple inference in linear mixed models for the latter. Consistent simultaneous confidence sets for cluster specific parameters are constructed. Furthermore, it is shown that, while these simultaneous conditional confidence sets are feasible, remarkably, corresponding marginal confidence sets are also asymptotically valid for conditional inference. Testing linear hypotheses and multiple comparisons by Tukey's method are considered too. Our inference tools are based on standard quantiles and require no re-sampling techniques. All findings are validated in simulations, and illustrated along a study on Spanish income data.
研究动机与目标
- 为线性混合模型中尚未充分探索的多重推断问题，特别是聚类特定（条件）参数问题提供解决方案。
- 为线性混合模型中的聚类特定效应构建一致的联合置信集。
- 研究边际置信集在条件推断中的渐近有效性。
- 将该框架扩展至使用Tukey方法进行线性假设检验和多重比较。
- 提供基于标准分位数的计算高效推断工具，避免使用重抽样技术。
提出的方法
- 利用估计随机效应的渐近分布所导出的标准分位数，构建聚类特定参数的联合置信集。
- 通过方差-协方差调整，考虑线性混合模型中随机效应引起的相关结构。
- 通过利用随机效应与固定效应的联合渐近正态性，推导出边际置信集在条件推断中的渐近有效性。
- 通过整合随机效应的估计方差-协方差结构，将Tukey方法适配于多重比较。
- 使用标准正态分布或t分布的分位数构建置信区间和p值，确保计算效率。
- 通过模拟验证该框架，并将其应用于西班牙收入数据的真实世界研究。
实验结果
研究问题
- RQ1能否在不依赖重抽样的前提下，为线性混合模型中的聚类特定参数构建一致的联合置信集？
- RQ2边际置信集在条件推断中是否具有渐近有效性？
- RQ3能否在不使用重抽样技术的前提下，利用标准分位数构建线性混合模型中的多重推断程序？
- RQ4在有限样本中，所提出的方法与基于重抽样的方法相比表现如何？
- RQ5Tukey方法能否在线性混合模型的背景下适配用于多重比较？
主要发现
- 使用标准分位数可一致地构建聚类特定参数的联合置信集，无需重抽样。
- 边际置信集在条件推断中具有渐近有效性，这是一个出人意料且显著的结果。
- 模拟结果显示，该方法在各种设计设置下均保持了正确的覆盖概率，表现出良好的稳健性。
- 该框架能够通过Tukey方法实现多重比较，同时考虑了随机效应结构。
- 该方法计算高效，适用于真实世界数据，如西班牙收入研究所示。
- 该方法在性能上与重抽样技术相当，但计算成本显著降低。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。