科琳·埃梅内格;彼得·伯尔曼 具有重复测量的部分线性混合效应模型的插入式机器学习。 （英语） Zbl 07782051号 扫描。J.统计。 50，编号4，1553-1567（2023）。 概述：传统上，结合参数估计，使用样条或核方法推断部分线性混合效应模型中的线性系数（固定效应），以进行重复测量。使用机器学习算法，我们可以合并复杂的交互结构、非光滑项和高维变量。对于非线性变量，对线性变量和响应进行非参数调整，这些调整变量满足线性混合效应模型，其中线性系数可以用标准线性混合效应方法估计。我们证明了估计的固定效应系数以参数速率收敛，是渐近高斯分布的，并且是半参数有效的。两个仿真研究表明，我们的方法在覆盖率方面优于惩罚回归样条方法。我们还在HIV感染者的纵向数据集上说明了我们提出的方法。我们方法的软件代码可在R（右）-包装dmlalg公司。©2023作者。斯堪的纳维亚统计杂志由John Wiley&Sons Ltd代表《斯堪的纳维亚统计杂志》基金会董事会出版。 MSC公司： 62至XX 统计 关键词：组间异质性;CD4数据集（HIV）;相关数据;双机器学习;固定效应估计;纵向数据;半参数方法 软件：mgcv公司;R（右）;jmcm公司;CRAN（起重机）;游戏4;dmlalg公司 PDF格式BibTeX公司 XML格式引用 \textit{C.Emmeneger}和\textit{P.Bühlmann}，扫描。J.Stat.50，No.4，1553--1567（2023；Zbl 07782051） 全文： 内政部 arXiv公司 OA许可证 参考文献： [1] Aniley，T.T.、Debusho，L.K.、Nigusie，Z.M.、Yimer，W.K.和Yimer、B.B.（2019年）。成人糖尿病患者纵向测量空腹血糖水平的半参数混合模型。BMC医学研究方法，19，13。 [2] Belloni，A.、Chen，D.、Chernozhukov，V.和Hansen，C.（2012年）。最优仪器的稀疏模型和方法及其在征用领域的应用。《计量经济学》，80，2369-2429·Zbl 1274.62464号 [3] Belloni，A.和Chernozhukov，V.（2011年）。高维稀疏模型中的l1惩罚分位数回归。《统计年鉴》，39，82-130·Zbl 1209.62064号 [4] Belloni，A.和Chernozhukov，V.（2013）。高维稀疏模型中模型选择后的最小二乘法。伯努利，19，521-547·Zbl 1456.62066号 [5] Belloni，A.、Chernozhukov，V.和Wang，L.（2011年）。平方根套索：通过圆锥规划对稀疏信号进行关键恢复。生物特征，98，791-806·Zbl 1228.62083号 [6] Bickel，P.J.、Ritov，Y.和Tsybakov，A.B.（2009年）。lasso和Dantzig选择器的同时分析。《统计年鉴》，第37期，1705-1732页·Zbl 1173.62022号 [7] Bondell，H.D.、Krishna，A.和Ghosh，S.K.（2010年）。线性混合效应模型中固定效应和随机效应的联合变量选择。生物统计学，661069-1077·Zbl 1233.62134号 [8] Bradic，J.、Claeskens，G.和Gueuning，T.（2020年）。高维线性混合模型中的固定效应测试。《美国统计协会杂志》，第115期，1835-1850页·Zbl 1452.62491号 [9] Breiman，L.（2001）。随机森林。机器学习，45，5-32·Zbl 1007.68152号 [10] Bühlmann，P.和van deGeer，S.（2011）。高维数据统计：方法、理论和应用。斯普林格·Zbl 1273.62015年 [11] Chen，L.，&Cao，H.（2017）。用部分线性模型分析异步纵向数据。《电子统计杂志》，第11期，1549-1569页·Zbl 1362.62066号 [12] Chen，X.和White，H.（1999）。非参数神经网络估计量的改进率和渐近正态性。IEEE信息理论汇刊，45，682-691·兹比尔1098.92502 [13] Chernozhukov，V.、Chetverikov，D.、Demirer，M.、Duflo，E.、Hansen，C.、Newey，W.和Robins，J.（2018年）。用于治疗和结构参数的双/脱苦机器学习。《计量经济学杂志》，21，C1-C68·Zbl 07565928号 [14] Davidian，M.和Giltinan，D.M.（1995）。重复测量数据的非线性模型，统计学和应用概率专著第62卷。查普曼和霍尔/CRC。 [15] Davidian，M.和Giltinan，D.M.（2003）。重复测量数据的非线性模型：概述和更新。农业、生物和环境统计杂志，8387-419。 [16] Davis，C.S.（2002）。重复测量分析的统计方法。施普林格的统计学文本。斯普林格·Zbl 0985.6202号 [17] Demidenko，E.（2004）。混合模型：理论与应用。John Wiley&Sons有限公司·Zbl 1055.62086号 [18] Emmenegger，C.（2021）。dmlalg：双机器学习算法。CRAN上提供R‐包。检索自。https://cran.r网址‐项目.org/web/packages/dmlalg/index.html [19] Fahrmeir，L.和Kneib，T.（2011）。纵向、空间和事件历史数据的贝叶斯平滑和回归（第36卷）。牛津大学出版社·Zbl 1249.62003号 [20] Fan，J.和Zhang，J.‐T。(2000). 应用于纵向数据的函数线性模型的两步估计。英国皇家统计学会杂志，B辑：统计方法，62303-322。 [21] Fitzmaurice，G.M.、Laird，N.M.和Ware，J.H.（2011年）。应用纵向分析（第二版）。威利·Zbl 1226.62069号 [22] 郭友庆，&中毅，Z.（2008）。纵向数据的部分线性混合模型中的鲁棒估计。《数学科学学报》，28，333-347·Zbl 1164.62008年 [23] Hart，J.D.和Wehrly，T.E.（1986年）。使用重复测量数据的核回归估计。美国统计协会杂志，811080-1088·Zbl 0635.62030号 [24] Ibrahim，J.G.、Zhu，H.、Garcia，R.I.和Guo，R.（2011）。混合效应模型中的固定效应和随机效应选择。生物计量学，67495-503·Zbl 1217.62171号 [25] Kim，S.、Zeng，D.和Taylor，J.M.G.（2017）。纵向数据的联合部分线性模型和信息缺失。生物计量学，73，72-82·Zbl 1366.62223号 [26] Kozbur，D.（2020年）。基于测试的正向模型选择分析。《计量经济学》，88，2147-2173·Zbl 1467.62040号 [27] Laird，N.M.和Ware，J.H.（1982年）。纵向数据的随机效应模型。生物统计学，38963-974·Zbl 0512.62107号 [28] Li，S.、Cai，T.T.和Li，H.（2021）。高维线性混合效应模型的推断：准似然方法。美国统计协会杂志。117, 1835-1846. ·Zbl 1515.62076号 [29] Li，Z.，&Zhu，L.（2010）。纵向数据半参数混合模型中的方差分量。《斯堪的纳维亚统计杂志》，37，442-457·Zbl 1226.62041号 [30] Liang，H.（2009）。广义部分线性混合效应模型包含了测量错误的协变量。统计数学研究所年鉴，61，27-46·Zbl 1294.62147号 [31] Lin，H.、Qin，G.、Zhang，J.和Fung，W.K.（2018年）。纵向数据部分线性模型的双稳健估计，协变量中有缺失和测量误差。统计学，52，84-98·Zbl 1390.62133号 [32] Lin，X.和Carroll，R.（2001）。使用广义估计方程进行聚类数据的半参数回归。美国统计协会杂志，96，1045-1056·Zbl 1072.62566号 [33] 吕涛（2016）。艾滋病临床研究的斜t部分线性混合效应模型。生物制药统计杂志，26899-911。 [34] Luo，Y.和Spindler，M.（2016）。高维度[（{l} _2增强：收敛速度。预印arXiv:1602.08927。 [35] Mammen，E.和van deGeer，S.（1997年）。部分线性模型中的惩罚拟似然估计。统计年鉴，251014-1035·Zbl 0906.62033号 [36] Masci，C.、Paganoni，A.M.和Ieva，F.（2019年）。意大利学校无监督分类的半参数混合效应模型。英国皇家统计学会杂志：A辑（社会统计），1821313-1342。 [37] Ohinata，R.（2012）。关于半参数回归应用的三篇论文：部分线性混合效应模型和指数模型（博士论文）。哥廷根大学（Universityät Göttingen）的Wirtschaftswissenschaftlichen Fakultät der。 [38] Pan，J.和Pan，Y.（2017年）。Jmcm：纵向数据联合平均协方差建模的R包。统计软件杂志，82，1-29。 [39] Pinheiro，J.C.（1994）。威斯康星大学混合效应模型专题（博士论文）。 [40] Pinheiro，J.C.和Bates，D.M.（2000）。S和S‐PLUS中的混合效应模型。统计和计算。斯普林格·Zbl 0953.62065号 [41] Qin，G.，&Zhu，Z.（2007）。纵向数据广义半参数混合模型的稳健估计。多元分析杂志，981658-1683·Zbl 1122.62029号 [42] Qin，G.Y.Q.和Zhu，Z.Y.（2009）。纵向数据广义偏线性混合模型中的鲁棒最大似然估计。生物统计学，65，52-59·Zbl 1159.62080号 [43] R核心团队。(2021). R： 用于统计计算的语言和环境。R统计计算基金会。https://www.R‐项目.org/ [44] Rice，J.A.和Silverman，B.W.（1991）。当数据是曲线时，以非帧方式估计均值和协方差结构。英国皇家统计学会期刊B辑（方法学），53233-243·Zbl 0800.62214号 [45] Schelldorfer，J.、Bühlmann，P.和van deGeer，S.（2011）。使用高维线性混合效应模型的估计[（{\ell}_1\]\）-处罚。《斯堪的纳维亚统计杂志》，38，197-214·Zbl 1246.62161号 [46] Taavoni，M.和Arashi，M.（2021a）。纵向数据的高维广义半参数模型。统计学，55831-850·Zbl 07464105号 [47] Taavoni，M.和Arashi，M.（2021b）。半参数混合效应纵向建模中的核估计。统计论文，621095-1116·Zbl 1477.62320号 [48] Taavoni，M.、Arashi，M.和Wang，W.L林，T.‐I。(2021). 多变量具有多重特征的纵向数据的半参数混合效应模型。统计计算与模拟杂志，91，260-281·Zbl 07480656号 [49] Tang，Y.、Sinha，D.和Pati，D.（2015）。倾斜纵向数据的贝叶斯部分线性模型。生物统计学，16，441-453。 [50] Tibshirani，R.（1996）。通过套索回归收缩和选择。英国皇家统计学会杂志：B辑：方法论，58267-288·Zbl 0850.62538号 [51] Verbeke，G.和Molenberghs，G.（2000年）。纵向数据的线性混合模型。统计学中的施普林格系列。斯普林格·Zbl 0956.62055号 [52] Vonesh，E.F.和Chinchilli，V.M.（1997）。重复测量分析的线性和非线性模型（第154卷）。查普曼和霍尔/CRC·Zbl 0893.62077号 [53] Wager，S.和Walther，G.（2016年）。回归树的自适应集中，适用于随机森林。预印arXiv:153.06388。 [54] Wang，N.、Carroll，R.J.和Lin，X.（2005）。纵向/聚类数据的有效半参数边际估计。美国统计协会杂志，100147-157·Zbl 1117.62440号 [55] Wood，S.和Scheipl，F.（2020年）。gamm4：使用“mgcv”和“lme4”的广义加性混合模型。R包版本0.2-6。检索自。https://CRAN.R‐project.org/package=gamm4 [56] Zeger，S.L.和Diggle，P.J.（1994年）。HIV血清转化者CD4细胞数量纵向数据的半参数模型。生物统计学，50689-699·Zbl 0821.62093号 [57] Zhang，D.（2004）。纵向数据的变系数广义线性混合模型。生物统计学，60，8-15·Zbl 1130.62350号 [58] Zhang，D.，Lin，X.，Raz，J.，&Sowers，M.（1998）。纵向数据的半参数随机混合模型。美国统计协会杂志，93，710-719·Zbl 0918.62039号 [59] Zhang，J.，&Xue，L.（2020年）。具有纵向数据的广义部分线性模型的变量选择。进化情报，152473-2483。 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。