Abstract
We develop a method of classified mixed model prediction based on generalized linear mixed models that incorporate pseudo‐prior information to improve prediction accuracy. We establish consistency of the proposed method both in terms of prediction of the true mixed effect of interest and in terms of correctly identifying the potential class corresponding to the new observations if such a class matching one of the training data classes exists. Empirical results, including simulation studies and real‐data validation, fully support the theoretical findings.
Résumé
Nous élaborons une méthode de prévision des modèles mixtes classifiés fondée sur des modèles linéaires généralisés mixtes qui incorporent de la pseudo‐information a priori, afin d'améliorer la précision des prévisions. Nous démontrons la convergence de la méthode proposée tant en termes de prévision de l'effet vraiment mixte d'intérêt qu'en termes d'identification correcte de la classe potentielle correspondant aux nouvelles observations, si une telle classe est l'une des classes des données d'apprentissage. Les résultats empiriques, notamment des études de simulation et une étude de cas réel, confirment les conclusions théoriques.