Classified mixed logistic model prediction
Classified mixed logistic model prediction
复制标题
分类混合逻辑模型预测
DOI：
10.1016/j.jmva.2018.06.004
复制
发表时间：
2018
影响因子：
1.6
通讯作者：
Jiang, Jiming
中科院分区：
文献类型：
--
作者：
Sun, Hanmei;Nguyen, Thuan;Luan, Yihui;Jiang, Jiming
通过扩展Jiang等人提出的分类混合逻辑模型预测方法，提出了一种分类混合逻辑模型预测方法。（2018年）连续结果数据。通过识别新观测值所属的类或聚类，我们能够提高与未来观测值相关的概率混合效应的预测精度，而不是传统的逻辑回归和混合模型预测方法，而无需匹配类。此外，我们开发了一种新的策略，通过利用协变量信息来识别新的观测值的类，这提高了类识别的准确性。此外，我们开发了一种获得CMLMP的均方预测误差（MSPE）的二阶无偏估计的方法，该方法用于提供不确定性的度量。我们证明了CMLMP的一致性，并通过仿真研究证明了CMLMP的有限样本性能。我们的研究结果表明，建议CMLMP方法优于传统的方法在预测性能。讨论了医学数据的应用。
We develop a classified mixed logistic model prediction (CMLMP) method for clustered binary data by extending a method proposed by Jiang et al. (2018) for continuous outcome data. By identifying a class, or cluster, that the new observations belong to, we are able to improve the prediction accuracy of a probabilistic mixed effect associated with a future observation over the traditional method of logistic regression and mixed model prediction without matching the class. Furthermore, we develop a new strategy for identifying the class for the new observations by utilizing covariates information, which improves accuracy of the class identification. In addition, we develop a method of obtaining second-order unbiased estimators of the mean squared prediction errors (MSPEs) for CMLMP, which are used to provide measures of uncertainty. We prove consistency of CMLMP, and demonstrate finite-sample performance of CMLMP via simulation studies. Our results show that the proposed CMLMP method outperforms the traditional methods in terms of predictive performance. An application to medical data is discussed.
模型选择后小面积估计的统一蒙特卡洛折刀法
DOI：
10.4310/amsa.2018.v3.n2.a2
发表时间：
2016
期刊：
arXiv: Computation
影响因子：
--
作者：
Jiming Jiang;P. Lahiri;Thuan Nguyen
通讯作者：
Thuan Nguyen
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
儿科年龄组和先天性凝血因子缺乏症的新鲜冰冻血浆。
影响因子：
7.5
作者：
W. Muntean
通讯作者：
W. Muntean