A Joint Modelling Approach for Longitudinal Studies
纵向研究的均值、方差与相关联合建模AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确围绕纵向重复或聚类观测的均值、方差和相关结构建模，直接对应面板数据的重复观测方法。
反馈分类问题正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
纵向研究的均值、方差与相关联合建模
- 研究问题
- 如何同时刻画纵向重复观测的均值、方差与相关结构，使相关性表达更易解释，并保持相关矩阵正定？
- 方法与思路
- 作者利用超球面坐标构造相关矩阵的无约束参数化，再建立相关矩阵回归，与均值和方差建模组成联合框架。
- 材料陈述的贡献
- 摘要称，该参数化自动保证正定性，框架具有简约、可解释和灵活的特点，并由数据示例及模拟支持其有效性。
- 阅读关注点
- 应核对坐标到相关矩阵的映射、回归参数的解释、联合估计方式，以及模拟比较如何评估简约性与有效性。
- 阅读边界
- 仅据所给 Crossref 摘要；具体分布假设、估计性质与比较数值未说明，正定性保证不能直接推出模型设定正确。
原文摘要
Summary In longitudinal studies, it is of fundamental importance to understand the dynamics in the mean function, variance function and correlations of the repeated or clustered measurements. For modelling the covariance structure, Cholesky-type decomposition-based approaches have been demonstrated to be effective. However, parsimonious approaches for directly revealing the correlation structure between longitudinal measurements remain less well explored, and existing joint modelling approaches may encounter difficulty in interpreting the covariation structure. We propose a novel joint mean–variance correlation modelling approach for longitudinal studies. By applying hyperspherical co-ordinates, we obtain an unconstrained parameterization for the correlation matrix that automatically guarantees its positive definiteness, and we develop a regression approach to model the correlation matrix of the longitudinal measurements by exploiting the parameterization. The modelling framework proposed is parsimonious, interpretable and flexible for analysing longitudinal data. Extensive data examples and simulations support the effectiveness of the approach proposed.