Bias Correction in Generalized Linear Mixed Models with Multiple Components of Dispersion
Nome da publicação: Bias Correction in Generalized Linear Mixed Models with Multiple Components of Dispersion
Authors: Xihong Lin, Norman E. Breslow
Source: Journal of the American Statistical Association
Published in: 09/1996
File type: Artigo de periódico
Link to the originalSummary
General formulas are derived for the asymptotic bias in regression coefficients and variance components estimated by penalized quasi-likelihood (PQL) in generalized linear mixed models with canonical link function and multiple sets of independent random effects. Easily computed correction matrices result in variance component estimates that have satisfactory asymptotic behavior for small values of the variance components and significantly reduce bias for larger values. Both first-order and second-order correction procedures are developed for regression coefficients estimated by PQL. The methods are illustrated through an analysis of an experiment on salamander matings involving crossed male and female random effects, and their properties are evaluated in a simulation study.
Summary translated by 
Fórmulas gerais são derivadas para o viés assintótico em coeficientes de regressão e componentes de variância estimados por quase-verossimilhança penalizada (PQL) em modelos mistos lineares generalizados com função de ligação canônica e múltiplos conjuntos de efeitos aleatórios independentes. Matrizes de correção facilmente computadas resultam em estimativas de componentes de variância que apresentam comportamento assintótico satisfatório para valores pequenos dos componentes de variância e reduzem significativamente o viés para valores maiores. Procedimentos de correção de primeira e segunda ordem são desenvolvidos para coeficientes de regressão estimados por PQL. Os métodos são ilustrados através da análise de um experimento sobre acasalamentos de salamandras envolvendo efeitos aleatórios cruzados de machos e fêmeas, e suas propriedades são avaliadas em um estudo de simulação.