Pseudo-Bayesian Classified Mixed Model Prediction
Pseudo-Bayesian Classified Mixed Model Prediction
复制标题
伪贝叶斯分类混合模型预测
DOI：
10.1080/01621459.2021.2008944
复制
发表时间：
2023
影响因子：
3.7
通讯作者：
Jiang, Jiming
中科院分区：
文献类型：
--
作者：
Ma, Haiqiang;Jiang, Jiming
本文提出了一种新的分类混合模型预测（CMMP）方法，称为伪贝叶斯CMMP，它利用网络信息来匹配训练数据和新数据之间的组索引，而新数据的特征是人们希望预测的。目前的CMMP程序没有纳入此类信息；因此，这些方法在匹配组索引方面并不一致。虽然，随着训练数据组数量的增加，目前的CMMP方法可以一致地预测兴趣的混合效果，但当组数量适中时，其准确性不能保证，这在许多潜在的应用中都是如此。提出的伪贝叶斯CMMP过程假设了一个灵活的工作概率模型，使新观测值的组索引与训练数据组的索引相匹配，这可以看作是一个伪先验。我们表明，给定任何满足温和条件的工作模型，伪贝叶斯CMMP过程在匹配组指数和预测与新观测相关的兴趣混合效应方面都是一致的和渐近最优的。理论结果得到了蒙特卡罗模拟和实际数据验证等实证研究结果的充分支持。
We propose a new classified mixed model prediction (CMMP) procedure, called pseudo-Bayesian CMMP, that uses network information in matching the group index between the training data and new data, whose characteristics of interest one wishes to predict. The current CMMP procedures do not incorporate such information; as a result, the methods are not consistent in terms of matching the group index. Although, as the number of training data groups increases, the current CMMP method can predict the mixed effects of interest consistently, its accuracy is not guaranteed when the number of groups is moderate, as is the case in many potential applications. The proposed pseudo-Bayesian CMMP procedure assumes a flexible working probability model for the group index of the new observation to match the index of a training data group, which may be viewed as a pseudo prior. We show that, given any working model satisfying mild conditions, the pseudo-Bayesian CMMP procedure is consistent and asymptotically optimal both in terms of matching the group index and in terms of predicting the mixed effect of interest associated with the new observations. The theoretical results are fully supported by results of empirical studies, including Monte-Carlo simulations and real-data validation.
登录
查看更多内容
DOI：
10.1080/01621459.1990.10475320
发表时间：
1990-03
影响因子：
3.7
作者：
N. Prasad;J. Rao
通讯作者：
N. Prasad;J. Rao
DOI：
--
发表时间：
1962
期刊：
影响因子：
--
作者：
N. L. Johnson
通讯作者：
N. L. Johnson
分类混合模型预测
影响因子：
3.7
作者：
Jiming Jiang;J. Sunil Rao;J. Fan;Thuan Nguyen
通讯作者：
Thuan Nguyen
分类混合逻辑模型预测
影响因子：
1.6
作者：
Sun, Hanmei;Nguyen, Thuan;Luan, Yihui;Jiang, Jiming
通讯作者：
Jiang, Jiming
Sumca：简单、统一、蒙特卡罗辅助的二阶无偏均方预测误差估计方法
DOI：
--
发表时间：
2020
期刊：
Journal of the Royal Statistical Society: Series B (Statistical Methodology)
影响因子：
--
作者：
Jiming Jiang;M. Torabi
通讯作者：
M. Torabi