An estimating equation approach to dimension reduction for longitudinal data
纵向数据充分降维的估计方程方法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：摘要明确处理纵向重复观测与个体内协方差结构，直接对应面板数据中的个体内相关问题。
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…
纵向数据充分降维的估计方程方法
- 研究问题
- 如何将充分降维推广到具有个体内相关性的纵向数据，在估计中心均值子空间时兼顾效率、稳健性与结构维数选择？
- 方法与思路
- 作者通过估计方程纳入个体内协方差结构，估计中心均值子空间，并提出贝叶斯型信息准则以确定其结构维数。
- 材料陈述的贡献
- 摘要称，协方差误设下估计仍一致，并具有双重稳健性；同时给出维数选择一致性及方向估计的渐近正态性与局部有效性。
- 阅读关注点
- 应核对双重稳健性涉及哪两个模型、局部有效性的成立条件，以及协方差估计和维数选择如何影响最终方向估计。
- 阅读边界
- 摘要未列出双重稳健性的具体条件、完整分布假设或实证效果大小；所称有效性不能推广到任意协方差误设情形。
原文摘要
Sufficient dimension reduction has been extensively explored in the context of independent and identically distributed data. In this article we generalize sufficient dimension reduction to longitudinal data and propose an estimating equation approach to estimating the central mean subspace. The proposed method accounts for the covariance structure within each subject and improves estimation efficiency when the covariance structure is correctly specified. Even if the covariance structure is misspecified, our estimator remains consistent. In addition, our method relaxes distributional assumptions on the covariates and is doubly robust. To determine the structural dimension of the central mean subspace, we propose a Bayesian-type information criterion. We show that the estimated structural dimension is consistent and that the estimated basis directions are root-$n$ consistent, asymptotically normal and locally efficient. Simulations and an analysis of the Framingham Heart Study data confirm the effectiveness of our approach.