Assessing uncertainty for classified mixed model prediction
Assessing uncertainty for classified mixed model prediction
复制标题
评估分类混合模型预测的不确定性
DOI：
10.1080/00949655.2021.1955885
复制
发表时间：
2022
影响因子：
1.2
通讯作者：
Sunil Rao, J.
中科院分区：
文献类型：
--
作者：
Nguyen, Thuan;Jiang, Jiming;Sunil Rao, J.
分类混合模型预测（CMMP）是在传统混合模型预测（MMP）的基础上加入了现代色彩的一种新方法。其基本思想是首先在训练数据中识别与新观测对应的潜在类相匹配的类，其相关的混合效应对于预测是感兴趣的。一旦建立了这样的匹配，就可以利用MMP方法来进行更准确的预测，该预测考虑了受试者水平的差异。在本文中，我们考虑CMMP的均方预测误差（MSPE）的估计。最近提出的Sumca方法实现。Sumca结合分析和蒙特-卡罗方法，导致二阶无偏估计的MSPE。Sumca的性能进行了研究，通过模拟研究和比较与替代方法。模拟研究表明，蛮力引导方法执行几乎以及Sumca，而一个天真的方法和Prasad-Rao估计在匹配指数显着劣于Sumca。一个真实的数据应用程序被认为是。提出了意见和建议。
Classified mixed model prediction (CMMP) is a new method that has embedded the traditional mixed model prediction (MMP) with a modern flavour. The basic idea is to first identify a class among the training data that matches the potential class corresponding to the new observations, whose associated mixed effect is of interest for prediction. Once such a matching is established, the MMP method can be utilized to make more accurate prediction that takes into account the subject-level differences. In this paper, we consider estimation of the mean squared prediction error (MSPE) of CMMP. A recently proposed Sumca method is implemented. Sumca combines analytic and Monte-Carlo approaches, leading to a second-order unbiased estimator of the MSPE. The performance of Sumca is investigated via simulation studies and comparisons are made with alternative methods. The simulation study shows that a brute-force bootstrap method performs almost as well as Sumca, while a naive approach and a Prasad-Rao estimator at the matched index are significantly inferior to Sumca. A real-data application is considered. Remarks and recommendation are offered.
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
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
一种新的分类混合模型预测器
影响因子：
0.9
作者：
Sun, Hanmei;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