An Approximate Restricted Likelihood Ratio Test for Variance Components in Generalized Linear Mixed Models
广义线性混合模型（GLSII）用于对具有固定效应和随机效应组合的指数家族的响应进行建模。对于广义似然估计中的方差分量，我们提出了一种近似的限制性似然比检验，对惩罚拟似然估计中的工作响应进行检验.这提供了标准化响应方面的假设检验，允许将现有检验方法应用于线性混合模型。我们的测试是灵活的，计算效率高，并优于几个竞争对手。我们说明了所提出的方法与广泛的模拟研究和两个数据应用程序的实用性。提供了一个R包。
2019-06-07 stat.ME
Inference of Random Effects for Linear Mixed-Effects Models with a Fixed Number of Clusters
我们考虑一个线性混合效应模型的聚类结构，其中的参数估计使用最大似然（ML）的基础上可能不平衡的数据。使用该模型的推断通常基于渐近理论进行，假设聚类数随着样本量趋于无穷大。然而，当集群的数量是固定的，经典的渐近理论下开发的集群的数量是不同的不再有效，并可能导致错误的结论。本文建立了一般情形下随机效应参数ML估计的渐近性质，该估计可用于对固定数目的聚类进行有效的统计推断.我们的渐近定理允许固定效应和随机效应被错误指定，并且两种效应的维度随着样本量而趋于无穷大。
2021-03-28 math.ST stat.TH
On Stepwise Control of Directional Errors under Independence and Some Dependence
本文研究逐步多重测试程序的差错控制问题。对于双侧假设，需要控制类型1和类型3（或方向性）错误两者，并且因此通过将两种类型的错误合并在差错率中来分别考虑混合方向性族差错率控制和混合方向性错误发现率控制。如Shaffer（1980）所述，在多重检验中逐步方法的混合方向族差错率控制已被证明是一个具有挑战性的问题。通过对问题的适当表述，发展了一些新的逐步控制方法，在独立和各种依赖条件下控制第1类误差和方向误差。
2016-02-09 math.ST stat.ME stat.TH
Testing for similarity of multivariate mixed outcomes using generalised joint regression models with application to efficacy-toxicity responses
本文针对临床试验中多元混合结局的组间相似性检验问题，提出基于高斯 copula 的广义联合回归方法，可处理连续、二元、分类及有序等多种尺度结局，并通过模拟和疗效-毒性案例验证其有效性。
2024-01-11 stat.ME
Estimation and Hypothesis Testing of Fixed Effects Models-Based Uncertainty for Factor Designs
College of Mathematics and System Science, Xinjiang University（新疆大学数学与系统科学学院）
本文提出新的固定效应模型以处理因子设计中变量的不确定性，通过单因素和双因素设计的实证案例验证了模型在处理不确定实验数据方面的有效性。
2026-03-17 stat.ME
Estimating the Random Effect in Big Data Mixed Models
我们考虑了高维高斯线性混合模型中的三个问题。在不对固定效应设计作任何假设的情况下，我们构造了一个渐近$F$ -统计量来检验随机效应的集合是否为零，推导了单个随机效应在参数率$\sqrt{n}$下的渐近置信区间，并提出了ANOVA型模型中部分均值向量的经验贝叶斯估计，它的渐近性能与oracle贝叶斯估计一样好.我们支持我们的结果与数值模拟，并提供与Oracle估计比较。开发的程序适用于国际数学和科学研究（TIMSS）的数据趋势。
2019-07-27 math.ST stat.ME stat.TH
Control of Directional Errors in Fixed Sequence Multiple Testing
在本文中，我们考虑的问题，同时测试许多双边假设时，拒绝的原假设是伴随着索赔的方向的替代。基本目标是构造控制混合方向族差错率的方法，该误差率是产生任何类型1或类型3（方向）误差的概率。特别地，注意力集中在假设被排序为$H_1 , \ldots, H_n$的情况下，使得仅当$H_1 , \ldots, H_i$先前已经全部被拒绝时才测试$H_{i+1}$。在这种情况下，可以控制通常的familywise差错率任意依赖的基本程序，测试每个假设在水平$α$，没有其他的多重调整是必要的。然而，我们表明，这是过于自由，如果一个也占方向性错误。但是，通过对检验统计量施加某些依赖性假设，可以保留基本程序。通过模拟研究和临床试验的例子，我们数值说明了良好的性能相比，现有的mdFWER控制程序所提出的程序。建议的程序也在R包FixSeqMTP中实现。
2017-03-18 math.ST stat.ME stat.TH
Testing the equality of parameters in fixed and increasing dimension
Universidad de Sevilla（塞维利亚大学）；Instituto de Matemáticas de la Universidad de Sevilla（塞维利亚大学数学研究所）
本文针对通过U统计量定义的参数在多独立总体中的相等性检验，提出通用框架，考虑Wald型和ANOVA型统计量，推导其渐近分布，构建无参数假设的检验程序，研究替代零分布估计器，经模拟研究和实际应用验证了方法的有效性。
2026-10-19 stat.ME
A General Framework for Optimal Group Sequential Testing via Mixed-Integer Linear Programming
University of Michigan Ross School of Business（密歇根大学罗斯商学院）；University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
本文提出了一种基于混合整数线性规划的优化方法，用于在控制I型和II型错误的前提下，改进分组序贯检验的拒绝准则，展示了其在急性肾损伤干预研究中的应用效果。
2026-05-15 stat.ME
On the Chernoff bound for efficiency of quantum hypothesis testing
本文估计了量子假设检验的有效性的估计率。对于联合和可分离的测量，给出了近似的边界的速率，如果两个状态是混合和精确的表达式，如果至少有一个状态是纯的。可分离测量的测试的效率被发现是接近的联合测量的测试的效率。最后通过量子纠缠的实验验证了这一结果。
2003-08-08 math-ph math.MP math.ST
Nonzero-sum Adversarial Hypothesis Testing Games
Indian Institute of Science（印度科学学院）；Univ. Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；Inria（法国国家信息与自动化研究所）；CNRS（法国国家科学研究中心）；Grenoble INP（格勒诺布尔国立理工学院）；MPI-SWS（马克斯·普朗克软件系统研究所）
我们研究了在对抗分类的背景下出现的非零和假设检验游戏，在贝叶斯框架和Neyman-Pearson框架中。我们首先表明，这些游戏承认混合策略纳什均衡，然后我们研究了一些有趣的集中现象，这些均衡。我们的主要结果是指数收敛率的分类错误在平衡，这是类似于著名的Baffff-Stein引理和Baffff信息描述的错误指数在经典的二元假设检验问题，但参数来自对抗模型。通过数值实验验证了结果。
2019-09-28 cs.GT cs.LG math.ST
Changing the paradigm of fixed significance levels: Testing Hypothesis by Minimizing Sum of Errors Type I and Type II
我们的目的是通过推广Morris DeGroot（1975）揭示的一个非常自然的想法来改变测试范式，旨在以一种更适合科学需求的程序，对所有统计学派都有吸引力的方法。DeGroot的开创性思想是将测试统计假设建立在最小化I类错误加上第二类错误的加权和的基础上，而不是固定第一类错误并最小化第二类错误的流行范式。DeGroot的结果是，在简单与简单假设的最佳标准是拒绝，根据似然比作为证据（排序）统计使用一个固定的阈值，而不是一个固定的尾部概率。通过定义预期的I类错误和第二类错误，我们推广了DeGroot的方法，发现最佳区域由证据比定义，即平均似然（相对于先验测量）和固定阈值。这种方法产生了一个最优的理论在完整的一般性，而经典理论的测试没有。这可以被看作是贝叶斯-非贝叶斯的折衷：标准（I类和第二类错误的加权和）是频率论的，但检验标准是边缘化似然比，这是贝叶斯的。我们给出的参数，推动理论更进一步，使加权措施（先验）的可能性不一定是正确的和高信息量，但只是预测匹配，即预测匹配的先验，产生相同的证据（边际似然）使用最小（最小）的训练样本。出现的理论，类似于基于客观贝叶斯方法的理论，是对流行的假设检验方法的批评的有力回应，例如，参见Ioanneland（2005）和Siegfried（2010）等。
2013-09-30 stat.ME
Estimation for Single-Index mixed models with Longitudinal data
本文考虑一个具有纵向数据的单指标混合模型。提出了一组新的估计方程来估计单指标系数。利用局部线性平滑估计了链接函数。建立了估计量的渐近正态性。此外，链接函数的估计达到最佳的收敛速度，和方差分量的估计具有根$n$的一致性。这些结果有助于构造置信区域/区间和对感兴趣的参数进行假设检验。一些模拟和应用程序的真实数据。
2010-04-04 stat.ME
Post-selection inference for linear mixed model parameters using the conditional Akaike information criterion
我们研究了线性混合模型中固定参数和混合参数的后选择推断问题，使用条件赤池信息准则作为模型选择过程.在线性混合模型的框架内，我们发展了完整的理论来构建置信区间的回归和混合参数在三个框架：嵌套和一般模型集以及误指定的模型。我们的理论分析是伴随着一个模拟实验和后选择检查平均收入在加利西亚的县。我们的数值研究证实了我们的新程序的良好性能。此外，他们揭示了一个惊人的鲁棒性的模型错误指定的一个天真的方法来构建的置信区间的混合参数，这是在对比我们的研究结果的固定参数。
2021-09-22 stat.AP stat.CO stat.ME
Small sample methods for cluster-robust variance estimation and hypothesis testing in fixed effects models
在纵向面板和其他具有未观测效应的回归模型中，固定效应估计通常与集群稳健方差估计（CRVE）配对，以考虑误差之间的异方差性和未建模相关性。CRVE是渐近一致的独立集群的数量增加，但可以向下偏置的样本量经常在应用工作中发现，导致假设检验过于宽松的拒绝率。一种解决方案是使用偏置减少线性化（BRL），它校正CRVE，使其在工作模型下无偏，并使用Satterthwaite自由度进行t检验。我们提出了一个泛化的BRL，可以应用于模型中的任意组的固定效应，原始的BRL方法是未定义的，并描述如何应用的方法时，估计吸收后的固定效应的回归。我们还提出了多参数假设的小样本检验，它推广了t检验的Satterthwaite近似。在涵盖各种研究设计的模拟中，我们发现，传统的集群鲁棒Wald测试可以严重拒绝，而建议的小样本测试保持第一类错误非常接近标称水平。
2022-11-06 stat.ME
Fixed-horizon Active Hypothesis Testing
两个主动假设检验问题制定。在这些问题中，智能体可以执行固定数量的实验，然后决定其中一个假设。如果需要的话，代理人也可以宣布其实验是不确定的。第一个问题是一个不对称的公式，其中的目标是最小化错误地宣布一个特定的假设为真的概率，同时确保正确宣布该假设的概率是适度的高。这个公式可以被看作是经典的Schlff-Stein引理中公式的推广。第二个问题是一个对称公式，其目标是最大限度地减少做出错误推断的概率（误分类概率），同时确保以适度高的概率最终宣布真实的假设。对于这些问题，上下限的最佳误分类概率的推导和这些界限被证明是渐近紧。实验选择的经典方法建议使用随机化，在某些情况下，开环策略。相对于这些经典的方法，完全确定性和自适应的实验选择策略。结果表明，这些策略是渐近最优的，并进一步，使用数值实验，它表明，这些新的实验选择策略（加上适当的推理策略）有一个显着更好的性能在非渐近制度。
2019-11-15 cs.IT cs.SY eess.SY
confintROB Package: Confindence Intervals in robust linear mixed models
针对现有R软件中混合效应模型推断方法多聚焦经典估计与固定效应的问题，confintROB包实现了适配多种稳健估计函数的Wald法及两类bootstrap法，可计算固定效应与方差成分的多版本置信区间。
2024-04-12 stat.CO stat.ME
Empirical Likelihood Inference of Variance Components in Linear Mixed-Effects Models
线性混合效应模型广泛应用于分析重复测量数据，包括聚类数据和纵向数据，其中固定效应和方差分量的推断都很重要。与已得到充分研究的固定效应推断不同，由于空值位于边界上以及固定效应的干扰参数，对方差分量的推断更具挑战性。现有的方法通常需要对随机效应和随机误差进行强分布假设。在本文中，我们开发了经验似然为基础的方法，在固定效应的存在下的方差分量的推断。导出了方差分量的经验似然比统计量的Wilks定理的非参数形式。我们还开发了一个经验似然检验的多个方差分量相关的一系列相关的结果。仿真研究表明，所提出的方法表现出更好的类型1错误控制比常用的似然比检验时，高斯分布假设的随机效应被违反。我们应用这些方法来研究澳大利亚双胞胎研究中通过可穿戴设备测量的身体活动的遗传性，并观察到这种活动仅在0.375至0.514的分位数范围内是可遗传的。
2022-08-30 stat.ME
On Error Exponents of Almost-Fixed-Length Channel Codes and Hypothesis Tests
我们研究一类新的信道编码策略，并假设检验被称为几乎固定长度的策略，在固定长度的策略停止时间几乎没有灵活性。这些策略的停止时间被允许稍微大，只有在一组罕见的样本路径与指数小的概率。我们表明，几乎固定长度的信道编码策略可以实现Burnashev的最佳错误指数。类似地，几乎固定长度的假设检验被证明可以弥合具有固定样本大小的假设检验和序贯假设检验之间的差距，并改善I型和II型误差指数之间的权衡。
2020-11-30 cs.IT math.IT stat.AP
Independence Testing for Mixed Data
针对计数变量与正绝对连续变量构成的混合数据，本文基于 Baringhaus-Gaigall 变换构造二元及多元独立性检验统计量，并证明其渐近性质与良好功效。
2025-07-28 math.ST stat.CO stat.ME
Bayesian Model Comparison in Genetic Association Analysis: Linear Mixed Modeling and SNP Set Testing
我们考虑了灵活的贝叶斯线性回归模型下的假设检验和模型比较问题，该模型的形成与遗传关联研究中SNP集分析的线性混合效应模型和参数模型密切相关。我们推导出一类解析近似贝叶斯因子，并说明它们与各种频率论检验统计量的联系，包括Wald统计量和方差分量得分统计量。利用贝叶斯模型平均和分层建模，我们展示了一些独特的优势和灵活性的方法，利用派生贝叶斯因子的背景下，遗传关联研究。我们使用真实或模拟的数值例子证明了我们提出的方法在单SNP关联测试，多位点精细定位和SNP集关联测试中的应用。
2015-02-23 q-bio.QM stat.AP stat.ME
Bootstrapping F test for testing Random Effects in Linear Mixed Models
最近Hui等人（2018）使用F检验来检验随机效应的子集，当指定随机效应的前两个矩时，证明了其计算简单性和准确性。本文在以下两个方面对F检验进行了研究：首先，我们考察了误差非正态分布下F检验的功效。其次，我们考虑自举对应的F检验，它提供了改进的情况下，小集群大小或非正态误差的情况下。
2018-12-09 stat.ME
varTestnlme: an R package for Variance Components Testing in Linear and Nonlinear Mixed-effects Models
在构建混合效应模型时，自然会出现方差分量检验的问题，以决定哪些效应应建模为固定或随机。虽然在R中可以对使用lme4拟合的模型进行固定效应检验，但在随机效应方面缺少工具。R的varTestnlme包旨在填补这一空白。它允许使用似然比检验统计量的渐近性质来检验对应于随机效应的任何子集的方差和协方差的任何子集是否等于零。它还提供了同时检验固定效应和方差分量的可能性。它可以用于线性，广义线性或非线性混合效应模型通过lme4，nlme或saemix拟合。回顾了所用的似然比检验的理论性质，详细介绍了用于实现检验过程的数值方法，并提供了基于不同真实数据集使用不同混合模型的示例。
2021-05-17 stat.CO stat.ME
A Note on an R^2 Measure for Fixed Effects in the Generalized Linear Mixed Model
利用LRT统计量，提出了广义线性混合模型的模型R^2，用于评估相关结局与固定效应之间的关联。R^2将完整模型与删除所有固定效应的空模型进行比较。
2010-11-01 stat.AP stat.ME
Fixed effects selection in the linear mixed-effects model using adaptive ridge procedure for L0 penalty performance
本文讨论了线性混合效应模型中固定效应的选择以及固定效应、随机效应和方差分量的估计。我们引入了一个选择过程的基础上的自适应岭（AR）惩罚的轮廓似然，其中的随机效应的协方差阵是Cholesky因式分解。该选择程序适用于低维和高维设置，其中允许固定效应的数量随总样本量呈指数增长，由于L0罚分引起的非凸优化问题而产生技术困难。通过大量的仿真研究，该程序相比，LASSO选择，似乎享有模型选择的一致性，以及估计的一致性。
2017-05-05 stat.ME
Testing normality via a distributional fixed point property in the Stein characterization
我们提出了两个家庭的经典拟合优度问题的检验单变量正态性。新的程序是基于$L^2$ -距离的经验零偏转换的正态分布或经验分布的数据，分别。在原假设下、在固定备选项下以及在相邻备选项下得到了弱收敛结果。经验的临界值和有限样本功率的比较研究表明，经典的程序的竞争力。
2018-03-19 stat.ME
Federated Generalized Linear Mixed Models for Collaborative Genome-wide Association Studies
随着测序成本的降低，有很大的动机进行大规模的关联研究，以提高检测新变异的能力。不同机构之间的联合关联测试是通过共享由中央服务器聚合的中间测试统计来增加样本量的可行解决方案。然而，执行联邦关联测试仍然存在挑战。关联检验被许多因素所混淆，如群体分层，这在多祖先研究和不同地点的混合群体中尤其重要。此外，应通过灵活的模型来考虑疾病病因，以避免遗传效应显著性的偏倚。进行大规模关联研究的一个日益严峻的挑战是参与者的隐私以及污名化和边缘化的相关伦理问题。在这里，我们提出了dMEGA，一个灵活而有效的方法进行联邦广义线性混合模型为基础的关联测试多个网站之间，而潜在的基因型和表型数据没有明确共享。dMEGA首先利用参考投影来估计基于群体的协变量，而不在站点之间共享基因型数据集。接下来，dMEGA使用拉普拉斯近似的参数似然和分解参数估计到有效的局部梯度更新站点之间。我们使用模拟和真实数据集来证明dMEGA的准确性和效率。总的来说，dMEGA的配方是灵活的，可以在联邦环境中整合固定和随机效应。
2022-10-01 q-bio.GN stat.ME
Convex method for selection of fixed effects in high-dimensional linear mixed models
由于许多应用，例如遗传学（全基因组关联研究中的DNA数据），光谱学或网络分析，高维数据的分析目前是一个热门的研究领域。与此同时，遗传学中出现的问题类型通常可以使用线性混合模型结合高维数据进行建模，因为线性混合模型允许我们指定模型的协方差结构。这使我们能够捕捉数据中的关系，如人口结构，家庭相关性，在本文中，我们引入了两个新的凸变量选择方法在高维线性混合模型，由于凸性，可以处理更多的变量比现有的非凸方法。这两种方法与现有的方法进行了比较，并在最后，我们提出了一种更广泛的一类线性混合模型的方法。
2018-05-24 stat.ME
Experimentation for Different Scheduling Policies on Queues: Mixed Differences-in-Q Estimators Based on Little's Law
University of California, Berkeley（加州大学伯克利分校）；Stanford University（斯坦福大学）；The Hong Kong University of Science and Technology（香港科技大学）
针对数据中心调度策略A/B测试中的马尔可夫干扰问题，提出基于Little定律的混合差分Q估计量，显著降低偏差和方差，并通过非平稳到达率、异构服务率等场景的仿真验证了鲁棒性和有效性。
2026-06-16 cs.PF math.PR stat.ME
Misspecified regressions with mixed regressors: robust inference and causal interpretation
University of Southern California（南加州大学）；UC Berkeley（加州大学伯克利分校）
研究在含随机与固定成分的混合回归变量且模型可能误设情况下的回归问题，通过建立估计方程一般结果分析误设线性回归，专注回归系数与标准误差因果解释，还从独立数据扩展到聚类数据。
2026-07-13 econ.EM math.ST stat.ME
Consistent Fixed-Effects Selection in Ultra-high dimensional Linear Mixed Models with Error-Covariate Endogeneity
最近，应用科学，包括生物医学中的纵向和聚类研究，需要分析超高维线性混合效应模型，我们需要从大量的候选变量中选择重要的固定效应变量。然而，所有现有的文献都假设所有可用的协变量和随机效应分量与模型误差无关，而模型误差在实践中经常被违反（内隐）。在本文中，我们首先研究了这个重要的问题，在超高维线性混合效应模型，特别是侧重于固定效应的选择。我们研究了不同类型的内隐函数对现有正则化方法的影响，并证明了它们的不一致性。然后，我们提出了一种新的轮廓聚焦广义矩量法（PFGMM）方法，以在“误差协变量”内隐条件下一致地选择固定效应，即，模型误差和协变量之间存在相关性。我们的建议被证明是预言机一致的概率趋于一，并在大多数其他类型的内隐式也很好。此外，我们还提出并说明了一些一致的参数估计，包括那些方差分量，以及通过PFGMM变量选择。实证模拟和一个有趣的真实数据的例子进一步支持我们的建议声称的效用。
2020-04-26 stat.ME
Combined shrinkage of fixed and random effects in linear mixed models using empirical Bayes
本文提出了一种数据驱动的方法，用于线性混合模型中固定效应和随机效应的联合先验参数选择，通过经验贝叶斯框架提高参数估计和预测性能。
2026-04-27 stat.ME
Coefficients of Determination for Mixed-Effects Models
对于线性模型，决定系数已得到很好的定义，而对于混合效应模型，决定系数的扩展一直是需要的。我们重新审视它的扩展，以定义整个模型、仅固定效应和仅随机效应解释的变异比例的度量。我们建议计算无法解释的变化条件下的个人随机和/或固定效应，以保持个人异质性所带来的可用的预测。虽然这些度量是为线性混合模型自然定义的，但可以使用沿其方差函数测量的距离为广义线性混合模型定义这些度量，从而解释其异方差性。
2022-05-02 stat.ME
Non-Concave Penalization in Linear Mixed-Effects Models and Regularized Selection of Fixed Effects
混合效应模型在分析具有分层结构的数据时非常流行，例如纵向设计中受试者的重复观察，多中心设计中嵌套在中心内的患者。然而，最近，由于医学的进步，从每个患者收集的固定效应协变量的数量可能相当大，例如每个患者的基因表达数据，并且所有这些变量对于结果不一定重要。因此，正确选择相关协变量对于获得整个研究的最优推断是非常重要的。另一方面，相关的随机效应通常是低维的，并且是预先指定的。本文考虑线性混合效应模型中重要固定效应变量的正则化选择以及基于一般非凹罚的固定效应和随机效应参数的极大惩罚似然估计。对于低维情形和高维非多项式阶的样本量（参数个数远大于样本量）情形，证明了渐近和变量选择与Oracle性质的一致性.我们还提供了一个合适的计算效率的算法实现。此外，所有的理论结果证明了一个一般的非凸优化问题，适用于几个重要的情况远远超出了混合模型设置（如有限混合回归等）。这说明了我们的建议的广泛适用性。
2016-07-11 stat.AP stat.ME
Testing for Peer Effects in Heteroskedastic Fixed-Effects Panels
Tsinghua University（清华大学）；Beijing Normal University（北京师范大学）
本文针对交互网络未明确指定的异方差固定效应面板，提出一种基于杠杆调整的二次型检验，经蒙特卡洛验证其性能优于现有基准，可用于州际税收竞争等实际场景的同伴效应检验。
2026-10-15 stat.ME
Variable Selection for Fixed and Random Effects in Multilevel Functional Mixed Effects Models
提出MuFuMES方法，用于多水平函数回归中同时选择固定和随机效应，通过SSGL先验和ECM算法实现，在模拟和NHANES数据中有效识别年龄和种族特异的身体活动模式异质性。
2025-10-23 stat.ME
Bayesian Compressed Mixed-Effects Models
本文提出压缩混合效应模型，通过随机投影降低随机效应协方差维度并结合收缩先验与折叠吉布斯采样，在预测、区间覆盖和固定效应选择上优于现有方法。
2025-07-22 stat.CO stat.ME
Inference for high-dimensional linear mixed-effects models: A quasi-likelihood approach
线性混合效应模型广泛应用于分析聚类或重复测量数据。提出了一种估计和推断高维固定效应线性混合效应模型中未知参数的拟似然方法。所提出的方法适用于一般的设置中的尺寸的随机效应和集群的大小可能是大的。关于固定效应，我们提供了不依赖于方差分量的结构信息的速率最优估计量和有效的推断过程。我们还研究了一般情况下高维固定效应下方差分量的估计。该算法易于实现，计算速度快。所提出的方法进行了评估，在各种模拟设置，并施加到一个真正的研究，关于身体质量指数和遗传多态性标记之间的关联在一个异质性股票小鼠种群。
2021-03-09 stat.ME
Mixed Gaussian Projections for Two-Sample Testing of Functional Data
Centro de Matemática, Computação e Cognição, Universidade Federal do ABC (UFABC)（阿贝辛联邦大学数学、计算与认知中心）；Departamento de Matemática, Universidad de San Andrés–CONICET（圣安德烈斯大学数学系-阿根廷国家科学研究委员会）
本文提出结合Haar与Fourier高斯分量的混合高斯投影方法，用于函数数据两样本检验，可提升检验功效，在ECG5000数据集上识别出两类间的局部化差异。
2026-08-10 stat.ME
Robust and Scalable Sure Screening of Fixed effects in Ultrahigh-dimensional Linear Mixed Models
Indian Statistical Institute（印度统计研究所）；University of Oslo（奥斯陆大学）
针对超高维线性混合模型，提出基于最小密度功率散度的鲁棒筛选方法DPD-SISP，通过代理变换解耦随机效应，实现固定效应变量的确定筛选，并保证指数级高概率的筛选性质。
2026-06-29 stat.CO stat.ME
Sparse Linear Mixed Model Selection via Streamlined Variational Bayes
线性混合模型是一种通用的统计工具，通过考虑来自多个变异性来源的固定效应和随机效应来研究数据。在许多情况下，有大量的候选固定效应可用，选择与预测响应变量有效相关的候选固定效应的一个简约子集是有意义的。变分近似便于对各种统计模型（包括线性混合模型）的参数进行快速近似贝叶斯推断。然而，对于具有大量固定或随机效应的模型，由于模型设计矩阵的大小和对由所需的近似密度参数更新引起的稀疏矩阵问题的低效处理，标准变分推断原理的简单应用不会导致快速近似推断算法。我们说明了如何最近开发的流线型变分推断程序可以推广到快速，准确的推理与嵌套的随机效应和全局-局部先验贝叶斯固定效应选择的线性混合模型的参数。我们的变分推断算法实现收敛到相同的最优的标准实现，虽然显着降低计算工作量，内存使用和时间，特别是对于大量的随机效应。使用模拟和真实数据的例子，我们评估的质量自动程序的固定效应的选择是免费的超参数调整，只依赖于变分后验近似。此外，我们通过马尔可夫链蒙特卡罗抽样对模型拟合的变分近似的高精度。
2022-09-08 stat.CO stat.ME
To Vary or Not To Vary: A Flexible Empirical Bayes Factor for Testing Variance Components
针对随机效应存在性检验的方差成分边界问题，提出一种灵活的经验贝叶斯因子，通过从数据估计随机效应分布避免手动先验设置，仅需拟合全模型即可完成检验，且适用于多种模型场景。
2025-08-02 stat.ME
Stochastic Search Variable Selection for Bayesian Generalized Linear Mixed Effect Models
本文将 Yang 等（2020）面向线性混合模型的 SSVS 方法扩展至贝叶斯 GLMMs，以联合选择固定效应与随机效应，并通过模拟与真实数据验证其有效性及超参数影响。
2024-12-02 stat.AP stat.ME
Minimal sample size in balanced ANOVA models of crossed, nested, and mixed classifications
我们考虑平衡的单因素、双因素和三因素方差分析模型来检验固定因子A没有影响的假设。其他因素是固定的或随机的。我们确定了精确F检验的非中心性参数，通过一个尖锐的下界来描述其最小值，从而可以保证F检验的最坏情况功效。这些结果使我们能够计算最小样本量。我们还提供了一个最小样本量的结构结果，证明了最佳试验设计的猜想。
2021-06-30 stat.ME
glmmPen: High Dimensional Penalized Generalized Linear Mixed Models
针对高维场景下GLMM固定与随机效应联合选择的难题，提出R包glmmPen，采用基于MCECM算法的惩罚GLMM框架，支持多种分布与惩罚函数，仿真及癌症研究应用验证了其有效性。
2024-04-16 stat.CO stat.ME
An iterative algorithm for joint covariate and random effect selection in mixed effects models
我们考虑一般混合效应模型中固定效应和随机效应的联合选择。估计的混合效应模型的解释是具有挑战性的，因为改变一组效应的结构可能导致模型中重要协变量的不同选择。我们提出了一个逐步选择算法来执行固定和随机效应的同时选择。它是基于BIC型标准，其处罚适用于混合效应模型。所提出的程序执行模型选择在线性和非线性模型。它应用于低维设置，其中协变量数量和随机效应数量相对于观察总数而言是中等的。该算法的性能进行评估，通过模拟研究，其中也包括一个比较研究的替代品时，在文献中。该方法的使用说明在抗生素剂动力学的临床研究。
2020-02-25 stat.ME
Network Global Testing by Counting Graphlets
考虑一个可能具有严重程度异质性和混合成员的大型社交网络。我们有兴趣测试网络是否只有一个社区或有一个以上的社区。这个问题被认为是不平凡的，部分原因是存在严重的程度异质性。我们使用短路径和短循环的数量构建了一类检验统计量，我们方法的关键是消除程度异质性影响的通用框架。这些测试与现有的方法相比毫不逊色。我们支持我们的方法与仔细的分析和数值模拟数据和真实数据的例子研究。
2018-07-23 stat.ME
