New Local Estimation procedure for a Non-Parametric Regression Function for Longitudinal Data
纵向数据非参数回归函数的新局部估计方法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：摘要明确研究纵向数据中的回归估计与观测相关结构，直接对应面板数据细分方向。
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
纵向数据非参数回归函数的新局部估计方法
- 研究问题
- 对聚类或纵向数据估计非参数回归函数时，能否通过估计观测相关结构提高效率并接近协方差已知的情形？
- 方法与思路
- 作者结合Cholesky分解和剖面最小二乘，同时估计相关结构与回归函数，并通过模拟及真实数据应用考察表现。
- 材料陈述的贡献
- 摘要称估计量具有协方差已知时的渐近效率，且所报告数值比较中优于工作独立的局部线性回归及部分既有方法。
- 阅读关注点
- 应核对聚类规模与渐近框架、协方差结构的建模方式、局部估计的调参规则，以及比较方法和模拟设计是否可比。
- 阅读边界
- 仅据所给Crossref摘要，效率结论的正则条件与比较细节未说明；所报告优势不能推广至所有纵向或聚类数据情形。
原文摘要
Summary The paper develops a new estimation of non-parametric regression functions for clustered or longitudinal data. We propose to use Cholesky decomposition and profile least squares techniques to estimate the correlation structure and regression function simultaneously. We further prove that the estimator proposed is as asymptotically efficient as if the covariance matrix were known. A Monte Carlo simulation study is conducted to examine the finite sample performance of the procedure proposed, and to compare the procedure with the existing procedures. On the basis of our empirical studies, the newly proposed procedure works better than naive local linear regression with working independence error structure and the gain in efficiency can be achieved in moderate-sized samples. Our numerical comparison also shows that the newly proposed procedure outperforms some existing procedures. A real data set application is also provided to illustrate the estimation procedure proposed.