混合效应专家混合模型：构建双重异质轨迹的建模方法
统计方法学
2026-03-10 v1
摘要
线性混合效应模型（LMM）是纵向数据分析的基石，但在兼顾群-specific固定效应和受试者-specific随机效应的异质性分析方面存在局限。为此，我们提出一种新型统计框架，采用大规模模型原型：混合效应专家混合模型（MEMoE）。该框架将专家混合模型的“分而治之”范式与经典混合效应建模相结合。在所提出的MEMoE中，每个专家都是一个专门用于捕捉特定潜在子群体纵向轨迹的完整LMM，而另一个模型的门控函数则基于基线协变量，数据驱动地将受试者路由到最合适的专家。我们基于拉普拉斯期望最大化算法开发了稳健的参数推断程序，并利用稳健夹层估计器校准标准误，以-account for潜在模型误规格。大量仿真研究和实际应用表明，MEMoE在参数恢复、分类准确度和整体模型拟合方面，均优于传统单总体LMM和常规专家混合模型。
引用
@article{arxiv.2603.07479,
title = {Mixed Effects Mixture of Experts: Modeling Double Heterogeneous Trajectories},
author = {Xinkai Yue and Xiaodong Yan and Haohui Han and Liya Fu},
journal= {arXiv preprint arXiv:2603.07479},
year = {2026}
}
备注
5 figures