Projected partial likelihood and its application to longitudinal data
投影偏似然及其在纵向数据中的应用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：摘要明确研究纵向数据、时变协变量及条件矩估计，直接对应面板数据中的重复观测与估计方法问题。
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…
关注这篇论文的作者
投影偏似然及其在纵向数据中的应用
- 研究问题
- 纵向数据存在缺失与时变协变量时，如何构造保留重要推断性质、又便于处理这些问题的估计方程？
- 方法与思路
- 作者将偏似然得分投影到一类条件线性估计方程张成的空间，构造投影偏得分，并在序贯预测框架下分析。
- 材料陈述的贡献
- 摘要称，该方程在指定条件矩确定的估计方程集合中具有最优性；正确条件方差关系到效率，而非渐近一致性。
- 阅读关注点
- 应核对条件线性空间、投影中删去的项、最优性的比较范围，以及缺失机制和时变协变量所需的具体条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未列出缺失机制与渐近条件，不能据此认定任意缺失情形均可处理。
原文摘要
An estimating equation, which we call the projected partial score, is introduced for longitudinal data analysis. The estimating equation is obtained by projecting the partial likelihood score function onto the vector space spanned by a class of ‘conditionally linear’ estimating equations. We demonstrate that removing certain terms from the projection of the full likelihood score does not alter important inferential properties of the estimating equation, and doing so is advantageous in handling missing data and time-varying covariates. Within a prequential frame of reference it is shown that the estimating equation is optimal among the largest collection of estimating equations determined by the conditional moments. Furthermore, the method possesses similar properties to generalised estimating equations; in particular, the correct conditional variance specification is necessary for efficiency but not for asymptotic consistency and distribution theory.