×
霍尔，P。；约翰·斯通，I.M。；J.T.奥尔默罗德。；万德，M.P。；Yu，J.C.F.先生。

通过期望传播进行快速准确的二元响应混合模型分析。 （英语） Zbl 1452.62067号

美国统计协会。 115，编号5321902-1916（2020）.
摘要：期望传播是统计推断问题中积分近似的通用公式。其文献主要涉及贝叶斯推理场景。然而，期望传播也可用于近似经常光顾的人统计推断。我们重点研究了基于相似hood的二元响应混合模型推理，并证明了对于具有多元随机效应和较高嵌套水平的probit链接情况，可以实现快速准确的无正交推理。该方法得到了渐近计算的支持，在渐近计算中，可以看到期望传播提供了精确似然曲面的一致估计。数值研究揭示了快速、高精度和可扩展的二元混合模型分析方法的可用性。

引用于1文件

MSC公司：

62-08 统计学相关问题的计算方法
62J12型 广义线性模型（逻辑模型）

关键词：

最佳预测；广义线性混合模型；最大似然；Kullback-Leibler投影；消息传递；拟牛顿算法；可扩展统计方法

软件：

mlm版本；dclone（数据克隆）；贝叶斯DA；PRMLT公司；MEMSS公司；S-PLUS系统；lme4型
PDF格式BibTeX公司 XML格式引用
\textit{P.Hall}等人，《美国统计协会期刊》第115卷，第532期，1902-1916页（2020年；Zbl 1452.62067）
全文： 内政部 arXiv公司

参考文献：

[2] Baayen，R.H.、Davidson，D.J.和Bates，D.M.（2008）。主题和项目的交叉随机效果的混合效果建模。记忆与语言杂志，59，390-412。
[3] Bates，D.、Maechler，M.和Bolker，B.（2014年）。mlmRev：多级建模软件评审示例。R软件包版本1.0。
[4] http://cran.r-project.org。
[5] Baltagi，B.H.（2013）。面板数据的计量经济学分析，第五版。英国奇切斯特：John Wiley&Sons。
[6] Bates，D.、Maechler，M.、Bolker，B.和Walker，S.（2015）。使用lme4拟合线性混合效应模型。《统计软件杂志》，67（1），1-48。
[7] Bishop，C.M.（2006年）。模式识别和机器学习。纽约：斯普林格·Zbl 1107.68072号
[8] 布劳登（1970）。一类双秩最小化算法的收敛性。数学及其应用研究所学报，676-90·Zbl 0223.65023号
[9] Carlin，B.P.和Gelfand，A.E.（1991年）。一种精确参数经验贝叶斯置信区间的样本重用方法。英国皇家统计学会杂志，B辑，53189-200·Zbl 0800.62183号
[10] Dehaene，G.和Barthemé，S.（2018年）。大数据限制中的期望传播。英国皇家统计学会杂志，B辑，80199-217·Zbl 1380.62108号
[11] Diggle，P.、Heagerty，P.，Liang，K.-L.和Zeger，S.（2002）。纵向数据分析，第二版。英国牛津：牛津大学出版社。
[12] Fletcher，R.（1970年）。一种新的可变度量算法。《计算机杂志》，13，317-322·Zbl 0207.17402号
[13] Gelman，A.、Carlin，J.B.、Stern，H.S.、Dunson，D.B.、Vehtari，A.和Rubin，D.B.（2014）。贝叶斯数据分析，第三版，佛罗里达州博卡拉顿：CRC出版社·兹比尔1279.62004
[14] Gelman，A.和Hill，J.（2007年）。使用回归和多级/层次模型进行数据分析。纽约：剑桥大学出版社。
[15] Givens，G.H.和Hoetig，J.A.（2005年）。《计算统计》，新泽西州霍博肯：约翰·威利父子公司·Zbl 1079.62001号
[16] Goldfarb，D.（1970年）。由变分方法导出的一系列可变度量更新。计算数学，24，23-26·Zbl 0196.18002号
[17] Goldstein，H.（2010）。多级统计模型，第四版。英国奇切斯特：John Wiley&Sons。
[18] Harville，D.A.（2008年）。统计学家视角下的矩阵代数。纽约：斯普林格·Zbl 1142.15001号
[19] Huang，A.和Wand，M.P.（2013年）。协方差矩阵的简单边缘非信息先验分布。贝叶斯分析，8439-452·Zbl 1329.62135号
[20] Jeon，M.、Rijmen，F.和Rabe-Hesketh，S.（2017年）。具有交叉随机效应的广义线性混合模型的变分最大化最大化算法。《心理测量学》，82，693-716·Zbl 1402.62043号
[21] Jiang，J.（2017）。混合效应模型的渐近分析。佛罗里达州博卡拉顿：CRC出版社·Zbl 1387.62004号
[22] Kim，A.S.I.和Wand，M.P.（2018年）。广义、线性和混合模型的期望传播。澳大利亚和新西兰统计杂志，60，75-102·Zbl 1521.62091号
[23] Lele，S.R.、Nadeem，K.和Schmuland，B.（2010年）。使用数据克隆的广义线性混合模型的可估计性和似然推理。美国统计协会杂志，105，1617-1625·Zbl 1388.62220号
[24] Magnus，J.R.和Neudecker，H.（1999）。矩阵微分学及其在统计学和计量经济学中的应用，修订版。奇切斯特英国：Wiley·Zbl 0912.15003号
[25] Mardia，K.V.、Kent，J.T.和Bibby，J.M.（1979年）。多元分析。伦敦：学术出版社·Zbl 0432.62029号
[26] 数学工程公司（2018）。美国马萨诸塞州纳提克。
[27] McCullagh，P.和Nelder，J.A.（1989年）。广义线性模型，第二版。伦敦：查普曼和霍尔·Zbl 0744.62098号
[28] McCulloch，C.E.、Searle，S.R.和Neuhaus，J.M.（2008）。广义、线性和混合模型，第二版。纽约：John Wiley&Sons·Zbl 1165.62050号
[29] Minka，T.P.（2001）。近似贝叶斯推理的期望传播。J.S.Breese&D.Koller（编辑），《第十七届人工智能不确定性会议论文集》，第362-369页。马萨诸塞州伯灵顿：摩根·考夫曼。
[30] Minka，T.（2005）。分歧措施和信息传递。微软研究技术报告系列，MSR-TR-2005-173，1-17。
[31] Minka，T.和Winn，J.（2008）。盖茨：混合模型的图形符号。微软研究技术报告系列，MSR-TR-2008-185，1-16。
[32] Nelder，J.A.和Mead，R.（1965年）。函数最小化的单纯形方法。《计算机杂志》，7308-313·Zbl 0229.65053号
[33] Ogden，H.E.（2015）。广义线性混合模型中推理的序列约简方法。电子统计杂志，9135-152·Zbl 1307.62057号
[34] Pinheiro，J.C.和Bates，D.M.（2000年）。S和S-PLUS中的混合效应模型。纽约：斯普林格·Zbl 0953.62065号
[36] Rao，J.N.K.和Molina，I.（2015）。小面积估算，第二版。新泽西州霍博肯：John Wiley&Sons·Zbl 1323.62002号
[37] Rodríguez，G.和Goldman，N.（1995年）。评估具有二进制响应的多级模型的估计程序。《皇家统计学会杂志》，A辑，158，73-89。
[38] Rue，H.、Martino，S.和Chopin，N.（2009年）。使用集成嵌套拉普拉斯近似对潜在高斯模型进行近似贝叶斯推断（附讨论）。英国皇家统计学会杂志，B辑，71，319-392·Zbl 1248.62156号
[39] Shanno，D.F.（1970年）。函数最小化的拟Newton方法的条件。计算数学，24647-656·Zbl 0225.65073号
[40] Sólymos，P.（2010年）。dclone:《R》杂志的数据克隆，2/2，29-37。
[42] The Mathworks Incorporated（2018年）。美国马萨诸塞州纳提克。
[43] 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，58267-288·Zbl 0850.62538号
[44] M.J.Wainwright和M.I.Jordan（2008年）。图形模型、指数族和变分推理。机器学习的基础和趋势，1，1-305·Zbl 1193.62107号
[45] Wand，M.P.和Ormerod，J.T.（2012年）。贝叶斯计算的持续分数增强。统计，1，31-41。
[47] Yu，J.C.F.（2020年）。基于期望传播的快速准确的频繁广义线性混合模型分析。悉尼科技大学哲学博士论文。
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。