通过多向分组实现越跨分类随机效应模型的可扩展估计
统计方法学
2025-07-22 v1 统计理论
统计理论
摘要
交叉分类数据经常出现于教育、医疗和社会科学等科学领域。常见的建模策略是在回归框架中引入交叉随机效应。然而,这一方法常常会遇到严重的计算瓶颈,特别是对于非高斯结果。本文提出一种可扩展且灵活的方法,通过将每个随机效应的分布近似为离散分布,有效地将随机效应划分为有限数量的代表性组。这种近似允许我们将模型表示为多向分组结构,可使用简单且快速的迭代算法进行高效估计。该方法支持广泛的因果模型,即使在超过两级交叉分类的设置中也同样适用。我们在一般的分类层次设置下理论上建立了估计器的一致性和渐近正态性。通过仿真研究和实际数据应用,我们展示了该方法在包含交叉分类结构的 logistic、Poisson 和 ordered probit 回归模型中的实际性能。
引用
@article{arxiv.2507.15593,
title = {Scalable Estimation of Crossed Random Effects Models via Multi-way Grouping},
author = {Shota Takeishi and Shonosuke Sugasawa},
journal= {arXiv preprint arXiv:2507.15593},
year = {2025}
}
备注
30 pages (main) + 34 pages (supplement)