Random Effect and Latent Variable Model Selection

اثرات تصادفی و مدل‌های متغیر پنهان به طور گسترده در تجزیه و تحلیل داده‌های چند متغیره استفاده می‌شوند. این مدل ها می توانند داده های با ابعاد بالا را با مقیاس های اندازه گیری متنوع در خود جای دهند. روش‌هایی برای انتخاب و مقایسه مدل در انجام آزمون‌های فرضیه و در ساخت مدل‌های پیش‌بینی پراکنده مورد نیاز است. با این حال، روش های کلاسیک برای مقایسه مدل در چنین تنظیماتی به خوبی توجیه نمی شوند.

این کتاب آخرین روش‌ها را برای تطبیق عدم قطعیت مدل در اثرات تصادفی و مدل‌های متغیر پنهان ارائه می‌کند. برای دانشجویان، تحلیلگران داده های کاربردی و محققان با تجربه جذاب خواهد بود. فصل‌ها بر اساس تحقیقات مشارکت‌کنندگان هستند و جزئیات ریاضی با استفاده از توصیف‌های مبتنی بر برنامه‌های کاربردی به حداقل رسیده است.

بخش اول کتاب بر روی نسبت احتمال مکرر و آزمون‌های نمره برای مؤلفه‌های واریانس صفر تمرکز دارد. مشارکت کنندگان عبارتند از Xihong Lin، Daowen Zhang و Ciprian Crainiceanu.

بخش دوم بر روی روش‌های بیزی برای انتخاب اثرات تصادفی در اثرات مختلط خطی و مدل‌های مختلط خطی تعمیم‌یافته تمرکز دارد. مشارکت کنندگان عبارتند از دیوید دانسون و همکاران Bo Cai و Saki Kinney.

بخش پایانی بر روی مدل‌های معادلات ساختاری متمرکز است که پیتر بنتلر و جیاجوان لیانگ رویکردی مکرر را ارائه می‌کنند، سیک-یوم لی و شین-یوان سونگ رویکرد بیزی مبتنی بر نمونه‌گیری مسیر را ارائه می‌کنند، و جوی گوش و دیوید. دانسون روشی را برای مشخصات قبلی پیش‌فرض و محاسبات کارآمد پسین پیشنهاد می‌کند.

دیوید دانسون استاد گروه علوم آماری دانشگاه دوک است. او یک مرجع بین‌المللی در روش‌های بیزی برای داده‌های همبسته، یکی از اعضای انجمن آمار آمریکا و برنده جوایز دیوید بیار و مورتیمر اشپیگلمن است.

Random effects and latent variable models are broadly used in analyses of multivariate data. These models can accommodate high dimensional data having a variety of measurement scales. Methods for model selection and comparison are needed in conducting hypothesis tests and in building sparse predictive models. However, classical methods for model comparison are not well justified in such settings.

This book presents state of the art methods for accommodating model uncertainty in random effects and latent variable models. It will appeal to students, applied data analysts, and experienced researchers. The chapters are based on the contributors’ research, with mathematical details minimized using applications-motivated descriptions.

The first part of the book focuses on frequentist likelihood ratio and score tests for zero variance components. Contributors include Xihong Lin, Daowen Zhang and Ciprian Crainiceanu.

The second part focuses on Bayesian methods for random effects selection in linear mixed effects and generalized linear mixed models. Contributors include David Dunson and collaborators Bo Cai and Saki Kinney.

The final part focuses on structural equation models, with Peter Bentler and Jiajuan Liang presenting a frequentist approach, Sik-Yum Lee and Xin-Yuan Song presenting a Bayesian approach based on path sampling, and Joyee Ghosh and David Dunson proposing a method for default prior specification and efficient posterior computation.

David Dunson is Professor in the Department of Statistical Science at Duke University. He is an international authority on Bayesian methods for correlated data, a fellow of the American Statistical Association, and winner of the David Byar and Mortimer Spiegelman Awards.