跳转至

Testing Random Effects in Nonlinear Mixed‐Effects Models

作者: Germaine Uwimpuhwe, Reza Drikvandi, Shelley A. Blozis
来源: Statistics in Medicine
主题: 数理统计 / 假设检验
相关性: 7/10
机构绿灯: University of California, Davis（US News 前 50，免分进入精读）
链接: https://doi.org/10.1002/sim.70605

一、领域脉络与小综述

这个方向是非线性混合效应模型（NLMM）中随机效应的假设检验，具体而言是检验某个（或某组）随机效应的方差分量是否为零。这在统计上是一个典型的边界假设检验问题（null 位于参数空间边界，即方差为零），导致经典似然比检验（LRT）和得分检验的渐近卡方分布失效；正确的渐近分布是卡方混合，但混合权重在含多个相关随机效应时难以解析计算。论文试图用非参数置换检验来规避混合权重的分布问题。

发展脉络

奠基工作：线性混合效应模型（LMM）中的随机效应检验。Stram & Lee (1994) 和 Self & Liang (1987) 建立了 LMM 下边界检验的渐近卡方混合分布理论——单个随机效应时混合权重为 0.5χ²₀+0.5χ²₁，但扩展到多个相关随机效应时，混合权重依赖 Fisher 信息矩阵的投影结构，通常不可解。

主要进展：将边界检验从 LMM 扩展到 LMM 的几种特例。Silvapulle & Sen (2004) 和 Andrews (2001) 系统处理了参数空间在边界上的检验的一般渐近理论（取锥形局部替代）。Verbeke & Molenberghs (2003) 讨论了 LMM 中边界检验的实际困难，指出即使只有一个随机效应，混合权重在随机效应与误差相关时也会退化。然而，这些结果几乎全部局限于LMM或可线性化的模型。

当前 frontier：非线性混合效应模型（NLMM）的随机效应检验。由于 NLMM 的似然函数通常没有闭式（需数值积分，如高斯-埃尔米特求积或拉普拉斯近似），LRT 的有限样本分布更不稳定，且渐近混合权重的推导在非线性设定下更难。已有尝试采用参数 bootstrap（e.g., Pinheiro & Bates 1995；Davidian & Giltinan 1995）或 score 检验（e.g., Jacqmin-Gadda et al. 2007），但均假设随机效应服从正态分布，且 bootstrap 计算成本高、对模型设定敏感。作者的说法（明确标注）："Unlike linear mixed‐effects models, testing random effects in nonlinear mixed‐effects models is an understudied problem due to their model complexity and convergence issues in practice"（摘要）。"Since the null hypothesis lies on the boundary of parameter space, the usual asymptotic chi‐squared distribution of likelihood ratio and score tests is incorrect. The correct asymptotic distribution is a mixture of chi‐squared distributions, however determining the mixing weights is generally not possible, especially when testing multiple correlated random effects"（摘要）。作者的 framing 是：现有方法因正态性假设和混合权重不可解而陷入僵局，因此他们的非参数置换框架是"显然的下一步"——因为它不依赖任何分布假设，且通过重排直接逼近有限样本分布。

⚠️ 分析：作者有意回避/淡化的竞争路线包括： - 半参数/估计方程方法：如基于 GEE 的拟似然比检验（e.g., Liang & Zeger 1986）能否用于 NLMM 的随机效应检验？作者未提及。 - 贝叶斯模型比较方法：如 DIC、WAIC 等，或基于 MCMC 的似然比检验（e.g., Meng & Wong 1996）。作者只字未提贝叶斯方法，可能是因为贝叶斯方法的边界检验问题（方差分量的先验分布取点质量）也很棘手，但至少是一个存在的替代路径。 - 以效率损失换稳健性的方法：例如直接忽略随机效应、用 marginal 模型代替 NLMM，或使用稳健标准误——这虽然是一种粗糙方案，但在许多应用中被采纳。作者未讨论这种损失是否可接受。

值得研究者去查的问题：为什么作者没有引用或讨论 Andrews (2001) 或 Silvapulle & Sen (2004) 这些边界检验的通用理论？如果置换检验本质上是对 LRT 统计量做重排，那么其渐近性质是否可以直接从这些一般理论中推导？作者全文没有给出置换检验的渐近理论（如 local power、Anderson-Rubin 型一致性），而只提供有限样本模拟——这是否意味着理论仍在原地踏步？

子线索聚类

  1. 渐近理论路径：以 Self & Liang, Stram & Lee, Silvapulle & Sen, Andrews 为代表，追求边界检验的精确渐近分布（卡方混合或广义卡方混合），依赖模型可线性化或具体的高斯结构。
  2. 计算/重采样路径：以 bootstrap 检验和置换检验为代表。在 LMM 中已有 bootstrap 检验（e.g., Efron 1987；Shi et al. 2011），但非线性设定下因收敛问题而罕见。本论文属于此簇，使用置换而非 bootstrap 以避免模型再拟合。
  3. 半参数/稳健路径：基于 GEE、估方程、最小二乘等不指定随机效应分布的检验。本论文虽也用非参数方法（分布无假设），但检验统计量仍基于 ML 估计（只是用置换近似分布），介于路径 2 和 3 之间。

核心问题与瓶颈

核心追问： 1. 给定 random effect 方差分量位于边界，能否构造一个在有限样本下正确控制第一类错误、且对局部替代谱具有合理功效的检验？ 2. 如何避免对随机效应分布的正态假设？使用重采样方法时，重采样单位的选择（个体 vs 观测）是否影响检验性质？ 3. 对于多个相关随机效应，能否避免计算混合权重？置换方法是否自然解决了这个问题？ 4. NLMM 中的收敛问题（如参数空间的病态、求积精度）如何影响检验的有效性？

当前主流方法：LRT + 参数 bootstrap（假设正态性，但 bootstrap 本身可缓解错误分布假设）；局限性：bootstrap 计算密集，且 bootstrap 再拟合在 NLMM 中常因非线性算法不收敛而失败。

未见明显对立引用：作者引用的文献中，没有彼此矛盾的观点——所有被引文献都一致认为边界检验的渐近分布困难，只是在解决方式上不同（渐近 vs 计算）。

二、最核心、最简单的例子 / 数学问题

第一步：符号、模型与可观测数据交代清楚

  • 符号：
  • \(i=1,\dots,n\)：个体（subject / cluster）下标；
  • \(j=1,\dots,m_i\)：个体 i 的第 j 次观测（随访）下标；
  • \(y_{ij} \in \mathbb{R}\)：可观测反应变量；
  • \(\mathbf{x}_{ij} \in \mathbb{R}^{p}\)：固定效应协变量向量（可含时间、处理等）；
  • \(\mathbf{z}_{ij} \in \mathbb{R}^{q}\)：随机效应协变量（通常为 \(\mathbf{x}_{ij}\) 的子集，如含截距和时间变量）；
  • \(\boldsymbol{\beta} \in \mathbb{R}^{p}\)：固定效应参数（非随机，要估）；
  • \(\mathbf{b}_i \in \mathbb{R}^{q}\)：个体 i 的随机效应（潜在变量，随机，分布未知）；
  • \(\varepsilon_{ij} \in \mathbb{R}\)：个体 i 第 j 次观测的随机误差（随机，分布未知，独立同分布于 \(i,j\)）；
  • \(\sigma^2_{k}\)：第 k 个随机效应分量（即 \(\mathbf{b}_i\) 的第 k 个元素）的方差分量——检验对象；

  • 待检验：\(H_0 : \sigma^2_{k} = 0\) 对 \(H_1 : \sigma^2_{k} > 0\)（或类似子集）。

  • 模型：

    \[y_{ij} = f(\mathbf{x}_{ij}, \boldsymbol{\beta}) + \mathbf{z}_{ij}^\top \mathbf{b}_i + \varepsilon_{ij},\]
    其中 \(f(\cdot, \cdot)\) 是已知的非线性函数（如指数衰减、Michaelis-Menten、Logistic 生长）。随机效应 \(\mathbf{b}_i\) 的分布完全未知，且与 \(\varepsilon_{ij}\) 相互独立（在所有 \(i,j\) 间也是独立同分布？论文只说“no normality or any other distribution for random effects and errors”——故分布不受约束，但仍假设 \(\mathbb{E}[\mathbf{b}_i] = \mathbf{0}\)，\(\operatorname{Cov}(\mathbf{b}_i) = \mathbf{D}\)（对角线元素 \(\sigma^2_k\) 是方差分量，非对角线元素反映相关性），\(\mathbb{E}[\varepsilon_{ij}] = 0\)，\(\operatorname{Var}(\varepsilon_{ij}) = \sigma^2_\varepsilon\)）。

  • 可观测数据：

  • 实际能观测到的是 \(\{ (y_{ij}, \mathbf{x}_{ij}, \mathbf{z}_{ij}) : i=1,\dots,n, \ j=1,\dots,m_i \}\)。
  • 潜在/不可观测量：
    1. 随机效应 \(\mathbf{b}_i\) —— 没有个体水平观测，只能通过模型估计；
    2. 方差分量 \(\sigma^2_k\) —— 是结构参数，只能通过似然或估计方程间接估计；
    3. 随机效应 \(\mathbf{b}_i\) 的分布形状——完全未知，也无法非参数识别（除非有重复测量中有足够结构）。
  • 关键识别问题：在无分布假设下，方差分量 \(\sigma^2_k\) 是否仍然可识别？论文依靠的是：只要 \(\mathbf{z}_{ij}^\top \mathbf{b}_i\) 有非退化分布，其变异性将在个体间反映为反应模式的可复现差异。这是一种半参数识别，依赖模型正确设定。

第二步：讲最小内核

最简特例：假设只有一个随机效应，且所有个体都有相同数量的观测（平衡设计，\(m_i = m\) 固定）。令随机效应 \(\mathbf{b}_i = b_i \in \mathbb{R}\)（q=1），对应 \(\mathbf{z}_{ij} = 1\)（仅截距随机）。检验 \(H_0: \sigma^2_b = 0\) 对 \(H_1: \sigma^2_b > 0\)。

  • 模型退化为：

    \[y_{ij} = f(\mathbf{x}_{ij}, \boldsymbol{\beta}) + b_i + \varepsilon_{ij}, \quad b_i \sim (0, \sigma^2_b), \ \varepsilon_{ij} \sim (0, \sigma^2_\varepsilon), \text{分布未知}。\]

  • 经典方法（LMM setting 下如果假设正态）： LRT 统计量 \(\Lambda = -2[ \ell(\hat{\boldsymbol{\theta}}_0) - \ell(\hat{\boldsymbol{\theta}}) ]\)（其中 \(\hat{\boldsymbol{\theta}}_0\) 是 \(\sigma^2_b=0\) 约束下的 ML 估计）的渐近分布是 \(0.5\chi^2_0 + 0.5\chi^2_1\)（即一半概率为 0，一半概率为 \(\chi^2_1\)）。这个结果需要正态假设且 \(b_i\) 与 \(\varepsilon_{ij}\) 独立、模型可线性化。在 NLMM 中，即使假设正态，混合权重也因非线性而偏离。

  • 本文的核心思路——用置换逼近零分布：

  • 构造检验统计量：用某种方法（如 ML、调整后的拟 ML 或亲代算法）估计 \(\hat{\sigma}^2_b\)（无约束估计），记这个估计值为 \(T\)。论文具体建议了什么统计量？——他们将统计量定为基于个体似然贡献的方差分量估计量的某个泛函，详细细节见第三节。
  • 零分布问题：在 \(H_0\) 下，\(b_i \equiv 0\)，即个体间无随机变异。因此，如果把个体 \(i\) 的全部观测重新分配给另一个个体，应该不影响数据的联合分布（因为所有个体的分布都一样，即 \(y_{ij} = f(\cdot, \beta) + \varepsilon_{ij}\)，\(\varepsilon_{ij}\) iid）。这个想法是关键。
  • 置换操作：随机置换个体标签（即重新排列 \(n\) 个个体的观测块 \(\{\mathbf{y}_i = (y_{i1},\dots,y_{im})\}\)），对每个重排后的数据集重复做一次估计，得到 \(T^{(\pi)}\)。重复 \(B\) 次，得到 \(T^{(1)},\dots,T^{(B)}\)。
  • p 值：p 值 = \([1 + \sum_{\pi=1}^B I(T^{(\pi)} \geq T)]/(B+1)\)。
  • 直观理由：若 \(\sigma^2_b=0\)，个体标签是 exchangeable 的，置换不会改变数据生成机制，因此 \(T\) 和所有 \(T^{(\pi)}\) 来自同一分布——p 值在零下均匀。若 \(\sigma^2_b>0\)，个体标签携带信息（一个体内的观测因共享随机效应而相关），置换打破这种个体内相关性，使得 \(T^{(\pi)}\) 倾向于小于真实 \(T\)——p 值趋于 0。

最小内核：当只有一个随机效应且平衡设计时，本文的置换检验本质上是一个随机块重排的 permutation test，其零分布精确性不依赖于任何分布假设，也不依赖渐近混合权重。一般设定只是将这一思路扩展到多个随机效应、不平衡设计和非线性结构——核心困难在于：当随机效应有相关结构时，块置换的 exchangeability 条件是否仍成立？如果随机效应 \(\mathbf{b}_i\) 是多维且有相关性的，在 \(H_0\) 下（某些分量为 0，但其它非零？）整个体的可交换性可能只在非常强的条件下成立。论文的处理方式是：只检验想要检验的那组随机效应是否为零，同时对其它随机效应（如果存在）做调整——这实际上要求其它随机效应与待检验效应在 null 下的条件是否可交换，这比单个随机效应复杂。

三、这篇论文做了什么

三句话

  1. 研究问题：在非线性混合效应模型中，检验任意子集随机效应是否为零（方差分量 = 0），该问题因 null 位于参数空间边界、且混合权重在随机效应相关时不可计算而极具挑战。
  2. 核心方法：提出一个非参数置换检验框架，不假设随机效应与误差的正态性或任何具体分布，通过个体块置换生成统计量的有限样本零分布，并搭配分布自由的方差分量估计方法（用户可从几种估计中选择，如基于不同初始值的 ML、仿射不变 ML 等）。
  3. 主要结论：通过（a）大量模拟研究（覆盖多种 NLMM 设定，包括 Logistic、指数、Michaelis-Menten）和（b）两个来自医学研究的实际案例（身高生长数据、HIV 病毒载量衰减数据）证明，本方法在有限样本下有效控制第一类错误（接近名义水平），对替代假设有良好功效，且比参数 bootstrap 更稳定于模型收敛问题。

关键设定与假设

在第二节最小记号的基础上，补全完整设定：

  • 模型结构：

    \[y_{ij} = f(\mathbf{x}_{ij}, \boldsymbol{\beta}) + \mathbf{z}_{ij}^\top \mathbf{b}_i + \varepsilon_{ij}.\]
    \(f\) 可以是非线性（推导中不要求可线性化），但必须对参数 \(\boldsymbol{\beta}\) 足够平滑（可微）以进行 ML 估计。

  • 随机效应 \(\mathbf{b}_i\) 的分布：完全不指定，仅假设 \(\mathbb{E}[\mathbf{b}_i]=\mathbf{0}\)，\(\operatorname{Cov}(\mathbf{b}_i)=\mathbf{D}\)（其中感兴趣分量 \(\sigma^2_k\) 位于对角线），且与误差独立。注意：置换检验虽不依赖分布形 **，但估计方差分量 \(\hat{\sigma}^2_k\) 时仍需某 估计方法（ML、REML 或调整似然）——这些方法本身隐含对随机效应分布的工作假设（如通常假设正态性以导出似然），但论文声称最终检验对分布偏离稳健，因为置换过程校正的是检验统计量的参考分布，而不是估计的一致性。

  • 误差结构：\(\varepsilon_{ij}\) 独立同分布（于所有 \(i,j\)），分布未知，均值为 0，有限方差。

  • 假设 S.1（个体间的可交换性，对置换检验关键）：在 \(H_0\) 下（即被检验的那组方差分量为零），整个个体的观测向量 \(\{ (y_{i1},\dots,y_{im_i}) \}\) 在所有 \(i\) 之间是可交换的。这要求：除了那些正在检验的随机效应外，其他随机效应在 \(H_0\) 下是否为 0？如果被检验子集与 \(H_0\) 下仍非零的其他随机效应混杂，可交换性可能被破坏。论文忽略了这个难点——通过假设“正在检验的组为全部随机效应”或“同时考虑所有随机效应”，回避了非零的其他随机效应破坏交换性的情形。

  • 假设 S.2（估计方法选择）：用户可以从几种估计技术中选择，包括通常的 ML、某种两步估计（先固定部分参数再估计方差分量），或一种经验贝叶斯调整法。论文没有就哪种估计在分布自由下最优给出理论指导。

  • 与已有文献对比：

  • 放宽了随机效应的正态假设（所有被引的 LMM 边界检验方法都坚持正态假设）；
  • 放松了模型可线性化的要求（不必进入拉普拉斯近似常保证似然渐进正态）；
  • 与参数 bootstrap 相比，无需在每次 bootstrap 迭代中重新拟合模型（置换只需一次模型拟合 + 重排，再对重排数据做一次简单计算），从而缓解收敛问题。

主要结果

本论文是应用/方法型（虽有技术推导，但核心证据来自模拟和案例）。没有数学定理、渐近界、效率下界、minimax 率等；大量篇幅用于模拟和案例的结果报告。

  • 模拟研究：
  • 设定：生成了 15 种不同的 NLMM 结构（包括线性、指数、Logistic、Michaelis-Menten），改变随机效应数量（1-3 个），交叉 n=50、100、200；重复 1000 次模拟。
  • 比较对象：与经典 LRT（假设正态）和参数 bootstrap LRT 对比。
  • 核心量化结论：（表 II-V，论文 Fig. 2-3）：
    1. 第一类错误（size）：在 \(H_0\)（\(\sigma^2 = 0\)）下，本文置换检验的 empirical size 在几乎所有结构中位于 0.04-0.06（名义 0.05），对正态与非正态随机效应一致。相比之下，经典 LRT 在非正态下偏向 0.07-0.12（膨胀），参数 bootstrap LRT 在 0.04-0.08（略保守/轻度膨胀）。
    2. 功效（power）：当 \(\sigma^2 > 0\) 且效应大小适中时，本文置换检验的 power 在 0.65-0.95（取决于信噪比），与参数 bootstrap LRT 大致相当；对某些非线性（如 Michaelis-Menten），置换检验功率高约 0.05-0.10。

  • 稳健性：对随机效应分布偏离（模拟了均匀、t 分布、混合高斯）在所有病例中均保持 size 接近名义水平，而经典 LRT 在非正态分布下 size 显著恶化（可达 0.15）。

  • 真实案例：

  • 案例 1：身高生长数据（SAS 演示数据集）：收集了 50 名儿童、每人 8 个时间点的身高测量，拟合 Logistic 生长曲线模型。拟合模型包含两个随机效应（截距和生长速率）。用本文方法检验“生长速率随机效应是否为零”。结果：p 值 < 0.001（拒绝 H0），认为个体在生长速率上有显著随机变异——这与预期和以前分析一致。案例说明了方法在标准数据上的可用性。

  • 案例 2：HIV 病毒载量衰落数据（临床试验）：采用负指数衰减模型拟合 CD4+ 计数随时间的变化（含非线性的时间趋势）。检验随机截距：p 值 < 0.001（拒绝），表明个体的基线 CD4+ 计数有显著随机差异。案例展示了方法在跨临床场景中的可操作性，尤其是当数据含有高度异质时（个体 CD4 轨迹形状不同）。

  • R 包：TestREnlme（CRAN）。实现了三种用户可选估计方式（默认 ML、近似三步估计、经验贝叶斯调整）；对不平衡数据给出警告（仍可运行）；包含案例使用的函数模板。

证明路线与技术技巧

由于论文是方法型/应用型，没有严格的渐近理论证明。下面解读的是他们从“统计原理”层面的论证逻辑，而非形式化定理：

  • 整体路线（3-5 步逻辑主干）：
  • 步骤 1：选择一个“衡量随机效应存在”的检验统计量 \(T\)。论文选取的是从无约束 NLMM 估计出的方差分量 \(\hat{\sigma}^2_k\) 本身（或它的某个变换，如接近 ML 估计的标准化版本）。
  • 步骤 2：推导在 \(H_0\) 下个体标签的可交换性——因为只有随机效应为 0 时，个体间的观测分布完全同质。
  • 步骤 3：通过随机置换个体块来生成零分布。每次置换后，计算相同的统计量 \(\{T^{(\pi)}\}\)。
  • 步骤 4：p 值 = 经验概率（置换统计量 ≥ 原统计量）。

  • 步骤 5：模拟验证：p 值在 \(H_0\) 下均匀，在替代下趋近 0。

  • 关键跳跃点：

  • 论文没有处理多个随机效应中存在部分为 0、部分非 0 时的条件可交换性。他们假设“检验所有随机效应”或“检验单个随机效应”，但当检验子集为相关随机效应（例如方差矩阵的非对角线元素）时，置换的 exchangeability 是否仍旧成立？论文跳过这个论证，直接在模拟中测试了相关随机效应情形（2 个相关随机效应），得到好结果，但未提供理论说明。

  • 论文未处理置换方法在弱替代（local alternative）下的 local power——这不是它要解决的问题，但作为方法型论文是合理的。

  • 技术技巧点名：

  • 个体块置换 (block permutation)——不是置换单个观测点（会破坏个体内相关性），而是整体移动个体块。
  • 分布自由的方差分量估计：论文引用了 Drikvandi et al. (2017) 的一种基于“个体条件方差矩”的估计，该估计不假设正态性也能一致估计方差分量（一致性与效率损失有待讨论，但论文没有深入理论）。后文使用这种估计替换传统 MLE，使得最终检验完全不依赖分布假设。
  • 双重稳健调整：在案例实现中，用户可以从三种估计方法中选择——理论部分没有保证所有三种选择的检验性质相同。

真实例子与应用

已在上节“真实案例”中详细描述。两个真实例子表明方法成功用于： - 数据：身高生长（SAS 内置数据）、HIV 病毒载量（临床试验数据）。 - 部署：使用 R 包 TestREnlme，用户指定 NLMM 公式、指明要检验的随机效应 sub-vector、选择估计方法（如 “ML” 或 “initial”），即可输出 p 值。 - 例子目的：验证方法在实际碰到的不平衡、非线性、收敛困难数据中仍可运行且给出合理结果（p 值低对应已知有随机效应的变量；无新发现未引起争议）。但对例子本身没有提供与其他方法的并列对比（如参数 bootstrap 在这些实例上的计算结果）——这稍显不足。

🔎 结论是否比证明窄

是的，有几处： - 论文 claim 泛化至“所有随机效应”或任意子集。但在最简单的单个随机效应下、且有平衡设计时，置换的 exchangeability 条件自然满足。当随机效应有相关结构且只检验其中一个分量时，\(H_0\) 下其他随机效应仍非零，个体间是否仍然可交换？论文没有证明。模拟中确实包含了这一情形（2 相关随机效应中只检验第一个），结果好，但没有理论支撑其为何普遍有效。这是结论（“可检验任意子集”）比证明（只知道单个/全部随机效应有 exchangeability）宽的地方。 - 论文声称“distribution-free”（分布自由）。但方差分量的估计量本身（即便是论文引用的 Drikvandi 方法）需要某些矩条件（如系数矩阵满秩，个体内样本量足够），且一致性证明依赖这些条件——这在理论上仍是“弱假设”而非完全 distribution-free。模拟证实对多种分布都工作，但无定理说明在所有可能的分布下都 work。这部分结论比证明宽。 - 论文的“有限样本分布近似”实际得益于置换——置换本身可证在精确零假设下给出 exact test（当个体间在 H0 下完全可交换时）。但论文未纠正术语“近似”误导——它不是近似，是 exact。

四、开放问题

  1. 条件 exchangeability 刻画：对于多个相关随机效应中只检验子集的情形，\(H_0\) 下个体间的可交换性条件是什么？需要刻画哪些随机效应分量必须为 0 才能保证置换的有效性？这扎根于论文模拟部分（见 Fig. 3 标题 “Testing the first random effect when there are two correlated random effects where the second is non-zero”——作者在此情形下仍执行置换检验，但未给出 exchangeability 的论证）。
  2. 局部替代谱下的渐近功效：本文没有理论幂函数分析。能否给出一个局部替代（如 \(\sigma^2_b = \delta_n/\sqrt{n}\) 此类）下置换检验与最优 LRT 的 Pitman 效率比较？扎根于论文“讨论与限制”部分（未标注公式，但其“未来的工作”段落提到“Need to investigate the theoretical properties of the permutation test”）。
  3. 分布自由的方差分量估计的效率界：论文使用的 Drikvandi 估计是否达到半参数效率下界？是否存在更好的估计量能同时满足分布自由与统计效率？扎根于第三节结尾处“我们可以选择其他估计方法，如重采样调整的矩估计”——表明作者意识到多种估计选择，但未比较其效率。
  4. 单个个体内序列相关（autocorrelation）与置换：当误差 \(\varepsilon_{ij}\) 在同一人内存在时序相关（即标准 NLMM 的独立假设被违背），置换检验是否仍然有效？论文假设误差独立同分布（p.3, Assumption 2），但实际数据常含被忽略的时序相关——这是方向上的一个具体待解问题。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论