Constrained Estimators and Consistency of a Regression Model on a Lexis Diagram
Lexis 图回归模型的约束估计与一致性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：摘要研究 Lexis 表格中的奇异设计与参数识别，未明确形成所列面板或因果推断框架。
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
Lexis 图回归模型的约束估计与一致性
- 研究问题
- 年龄、时期与队列回归中的奇异设计矩阵导致多重参数解；如何研究这些估计量的有限样本性质，并界定可一致估计的参数与趋势？
- 方法与思路
- 作者针对指数族响应的 Lexis 表格固定效应模型，研究多重估计量，并提出惩罚剖面似然方法分析一致性和渐近偏差。
- 材料陈述的贡献
- 摘要称，可通过可估函数与渐近研究处理一致估计的识别问题，并为干扰参数数量增长时的多重估计量渐近分析提供新路径。
- 阅读关注点
- 应核对约束与可估函数的定义、表格维度的渐近增长方式，以及参数一致性结论如何与年龄—时期—队列的代数依赖相容。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要，无法判断约束和渐近条件；不能据此宣称一般年龄—时期—队列效应无需限制即可识别，刊本变化未核验。
原文摘要
This article considers a regression model on a Lexis diagram of an a × p table with a single response in each cell following a distribution in the exponential family. A regression model on the fixed effects of a rows, p columns, and a + p − 1 diagonals induces a singular design matrix and yields multiple estimators, leading to parameter identifiability problem in age–period–cohort analysis in social sciences, demography, and epidemiology, where assessment of secular trend in age, period, and birth cohort of social events (e.g., violence) and diseases (e.g., cancer) is of interest. Similar problems also exist in other settings, such as in supersaturated designs. In this article, we study the finite sample properties of the multiple estimators, propose a penalized profile likelihood method to study the consistency and asymptotic bias, and demonstrate the results through simulations and data analysis. As a by-product, the identifiability problem is addressed with consistent estimation for model parameters and secular trend. We conclude that consistent estimation can be identified through estimable function and asymptotics studies in regressions with a singular design. Our method provides a novel approach to studying asymptotics of multiple estimators with a diverging number of nuisance parameters.