A Stochastic Block Model Approach for the Analysis of Multilevel Networks: an Application to the Sociology of Organizations
本文提出一种新的随机块模型用于多层网络分析,通过潜在块刻画层面内异质性和层面间依赖,并开发模型选择准则,在模拟与社会学数据中验证了方法的有效性与竞合结构。
2021-01-14 cs.SI stat.AP stat.ME
Multilevel modelling of double-sampled clustered social networks with individual-level data on between-cluster ties
London School of Economics & Political Science(伦敦政治经济学院);Santa Fe Institute(圣塔菲研究所);Max Planck Institute for Evolutionary Anthropology(马克斯·普朗克人类进化研究所)
本文推广社会关系模型(SRM),结合双重抽样与多层次结构方程模型,用MCMC方法估计,推导跨集群网络,以尼加拉瓜农村社区社会支持网络数据验证。
2026-08-28 stat.ME
Multilevel latent class analysis with covariates: Analysis of cross-national citizenship norms with a two-stage approach
本研究提出两阶段多水平潜类别分析方法,修正社会科学领域的常见分析缺陷,将其应用于跨国公民规范研究,识别出四类具有不同特征的公民规范潜类别。
2023-07-20 stat.ME
Deterministic Leave-One-Cluster-Out Cross-Validation for Multilevel Bayesian Structural Equation Models
King Abdullah University of Science and Technology(阿卜杜拉国王科技大学);Universiti Brunei Darussalam(文莱达鲁萨兰大学)
该研究提出多层贝叶斯SEM的确定性LOCO交叉验证方法,无需重拟合或蒙特卡洛采样,计算成本低,经模拟及PISA、MIDUS数据验证有效。
2026-09-02 stat.ME
Using leave-one-out cross-validation (LOO) in a multilevel regression and poststratification (MRP) workflow: A cautionary tale
近几十年来,多水平回归和后分层(MRP)在人口推断中受到了广泛的欢迎。然而,估计的有效性可能取决于模型的细节,目前很少有关于验证的研究。我们探讨如何留一交叉验证(LOO)可以用来比较贝叶斯模型MRP。我们研究了LOO的两种近似计算,Pareto平滑重要性抽样(PSIS-LOO)和调查加权替代(WTD-PSIS-LOO)。使用两个模拟设计,我们研究如何准确地恢复这两个标准在预测人口和小面积水平的被估量模型的善良的正确顺序。首先关注变量选择,我们发现PSIS-LOO和WTD-PSIS-LOO都不能正确地恢复MRP总体估计量的模型顺序(尽管这两个标准都能正确识别最佳和最差模型)。当考虑小区域估计时,最佳模型对于不同的小区域是不同的,这突出了MRP验证的复杂性。当考虑不同的先验时,模型的顺序在较小的区域水平上似乎稍好。这些发现表明,虽然并不可怕,但基于PSIS-LOO的排名技术可能不适合作为一种方法来评估MRP。我们认为这是由于MRP的聚合阶段,其中个人水平的预测误差平均。这些结果表明,在实践中,基于PSIS-LOO的模型验证工具需要谨慎使用,并且在验证MRP作为一种方法时可能无法传达完整的故事。
2022-09-05 stat.ME
Multiple imputation of incomplete multilevel data using Heckman selection models
缺失数据是医学研究中常见的问题,通常使用多重插补来解决。虽然传统的插补方法允许有效的统计推断时,数据随机缺失(MAR),其实施是有问题的,当缺失的存在取决于未观察到的变量,即数据是非随机缺失(MNAR)。不幸的是,这种MNAR情况在观察性研究、登记和其他真实世界数据来源中相当常见。虽然已经提出了几种插补方法来解决个别研究时,数据是MNAR,其应用程序和多层次结构的大型数据集的有效性仍然不清楚。因此,我们深入探讨了MNAR数据在分层数据中的后果,并提出了一种新的聚类数据集常见缺失模式的多级插补方法。该方法基于Heckman选择模型的原理,采用两阶段荟萃分析方法来插补可能是结局或预测因子的二元和连续变量,以及系统性或偶发性缺失。在模拟场景中评估了所提出的插补模型后,我们说明了它在横断面社区调查中的使用,以估计乌干达5个次区域2 - 10岁儿童疟疾寄生虫血症的患病率。
2023-01-12 stat.ME
Estimation under cross-classified sampling with application to a childhood survey
交叉分类抽样设计包括从二维总体中抽取样本,每个维度独立。这种设计通常用于消费价格指数调查,最近在法国ELFE调查中也被用于抽取婴儿样本,方法是将产妇单位样本和天数样本交叉。我们建议推导出这种抽样设计的一般估计理论。我们认为霍维茨-汤普森估计的总,并表明,交叉分类设计通常会导致损失的效率相比,广泛的两阶段设计。我们得到了Horvitz-Thompson估计量的渐近分布和几个无偏方差估计量。针对可能出现负值的问题,提出了简化的非负方差估计,并在超总体模型下研究了它们的偏差。建议的估计量进行了比较,模拟数据的总数和比率。本文还介绍了ELFE调查实际数据的应用,并提出了一些建议。补充材料可在网上查阅。
2015-11-02 math.ST stat.ME stat.TH
Post-Hoc Inference of Cross-Classified Statistics from Hierarchical Bayes Survey Weights
Tam Data Advisory(Tam数据咨询)
本文提出Post-Hoc Inference Engine,用于推断来自校准单位记录数据的跨分类统计,通过校准贝叶斯区间恢复名义覆盖,发现交叉汇总的不确定性主要由组成采样变异驱动。
2026-04-28 stat.ME
Multilevel Regression Modeling of Covariance Matrix Outcomes
Indiana University School of Medicine(印第安纳大学医学院);The University of Texas Health Science Center at Houston(德克萨斯大学健康科学中心休斯顿分校);Johns Hopkins Bloomberg School of Public Health(约翰霍普金斯大学布隆伯格公共卫生学院)
本文提出多级协变量辅助主成分回归框架,用于分析脑网络组织随个体协变量变化的情况,通过多级结构提升估计精度,应用于人类连接组计划寿命研究发现年龄和性别对功能连接的影响。
2026-05-06 stat.ME
A two-step log-linear procedure for graphical representation and inference of associations in cross-classified data for disease diagnosis
University of Granada(格拉纳达大学)
本文提出一种两步对数线性程序,用于交叉分类数据的图形表示与关联推断,解决疾病诊断中展开表示的退化解问题,并建立比值比检验与概况位置检验的等价性,应用于冠状动脉疾病诊断。
2026-09-24 stat.ME
Scalable Bayesian computation for crossed and nested hierarchical models
本文针对交叉随机效应和嵌套多级贝叶斯分层模型,提出计算复杂度随数据量和参数量线性增长的采样算法,并通过理论分析和真实数据实验验证其相比哈密顿蒙特卡洛的显著性能优势。
2023-10-05 stat.CO stat.ME
Empirical Bayes Estimates for a 2-Way Cross-Classified Additive Model
我们开发了一个经验贝叶斯方法,用于估计具有固定效应的非平衡双向可加模型中的单元均值。我们采用了一个分层模型,它反映了治疗和区组内效应的交换,但不一定是它们之间的,正如Lindley和Smith(1972)所建议的那样。这个分层模型的超参数,而不是被认为是固定的,将被替换为数据相关的值,以这样的方式,经验贝叶斯估计的点风险是小的。我们的方法通过最小化无偏风险估计来选择超参数,并且对于上面定义的估计问题是渐近最优的。通常的经验最佳线性无偏预测(BLUP)被证明是从所提出的方法在不平衡的情况下,因此执行次最优的显着不同。我们的估计器是通过一个计算上易于处理的算法,可扩展到大型设计下的工作。丢失单元格观察的情况也被处理。我们通过模拟和真实数据示例展示了我们的方法相对于BLUP估计器的优势,在该示例中,我们根据水源的位置和一天中的时间估计水源中的平均硝酸盐水平。
2016-05-26 math.ST stat.ME stat.TH
Sample size calculations for multilevel factorial longitudinal cluster randomised trials
本文提出针对多级干预的纵向集群随机试验样本量计算方法,适用于连续型结局,支持评估个体与集群干预及交互作用。
2026-05-01 stat.ME
Hierarchical array priors for ANOVA decompositions of cross-classified data
ANOVA分解是描述和估计多个分类因子水平间响应变量均值间异质性的标准方法。在这样的分解中,主效应和交互作用项的完整集合可以被视为共享由因子水平定义的各种索引集的向量、矩阵和数组的集合。对于许多类型的分类因子,ANOVA分解在各效应阶次之间表现出某种一致性是合理的,因为具有相似主效应系数的因子水平在高阶交互作用项中也可能具有相似系数。在这种情况下,应通过从主效应和低阶交互作用借用信息来改进高阶交互作用的估计。为了利用这些模式,本文为交互数组的集合引入了一类分层先验分布,它可以适应这些交互的存在。这些先验分布基于一种类型的阵列变量正态分布,其中估计每个因子的协方差阵。这种先验能够适应因子水平之间的潜在相似性,并将任何此类信息纳入因子出现的效应估计中。在存在此类相似性的情况下,此先验能够从估计良好的主效应和低阶交互作用中借用信息,以帮助估计数据信息有限的高阶项。
2014-04-14 stat.ME
Scalable Estimation of Crossed Random Effects Models via Multi-way Discretization
Washington University in St. Louis(圣路易斯华盛顿大学);Keio University(庆应义塾大学)
针对交叉随机效应模型的计算瓶颈,提出多向离散化近似方法,结合迭代算法实现高效估计,在多种回归模型及多向交叉分类场景下均表现出良好性能。
2026-07-31 math.ST stat.ME stat.TH
Score-based Tests for Explaining Upper-Level Heterogeneity in Linear Mixed Models
线性混合模型(也称为多水平模型)中固定效应之间的跨水平交互作用通常因源自随机效应和残差的方差而变得复杂。当这些方差在聚类间发生变化时,固定效应(包括跨水平交互作用项)的检验受到膨胀的I类或第二类错误的影响。虽然在文献中已经注意到方差变化/异质性的影响,但很少有人提出以简单、系统的方式检测这种异质性的方法。此外,当检测到聚类之间的异质性时,研究者通常希望知道哪些聚类的方差与其他聚类的方差不同。在这项研究中,我们利用最近提出的家庭的分数为基础的测试,以区分跨水平的相互作用和异质性的方差分量,还提供有关特定的集群表现出异质性的信息。这些基于分数的测试只需要估计零模型(假设方差齐性成立),并且它们以前已经应用于心理测量模型。我们在这里将测试扩展到线性混合模型,详细介绍了当数据生成模型已知时它们的实现和性能。我们还包括一个实证的例子说明测试在实践中的使用。
2020-02-29 stat.ME
Hierarchical clustered multiclass discriminant analysis via cross-validation
线性判别分析(LDA)是一种众所周知的多类分类和降维方法。然而,在一般情况下,普通LDA不能实现高的预测精度时,在某些类的观察是难以分类。本研究提出了一种新的基于聚类的LDA方法,显着提高了预测精度。我们采用层次聚类,两个类的相异性度量定义的交叉验证(CV)值。因此,聚类被构造成使得误分类错误率最小化。我们的方法涉及到一个沉重的计算负荷,因为CV值必须在层次聚类算法的每一步计算。为了解决这个问题,我们开发了一个回归公式LDA和构建一个有效的算法,计算CV的近似值。所提出的方法的性能进行了研究,将其应用到人工和真实的数据集。我们提出的方法提供了高的预测精度与快速计算从数值和理论的观点。
2021-07-05 stat.ME