New Estimation and Model Selection Procedures for Semiparametric Modeling in Longitudinal Data Analysis
纵向数据半参数建模的新估计与模型选择程序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：摘要明确以纵向数据中的半参数回归和变量选择为研究对象，对应面板与重复观测方法。
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…
关注这篇论文的作者
纵向数据半参数建模的新估计与模型选择程序
- 研究问题
- 对于纵向数据的半参数回归，如何在估计回归系数和未知基线函数的同时选择变量，并构造可靠的参数推断？
- 方法与思路
- 作者提出两种系数估计方法及同时选择变量、估计参数的惩罚程序，以局部多项式估计基线并构造三明治标准误。
- 材料陈述的贡献
- 摘要称建立了渐近正态性和收敛速度，并在适当正则化参数与惩罚函数下获得预言机性质，另对标准误作经验检验。
- 阅读关注点
- 应核对纵向相关结构、两种估计方法的区别、惩罚与调参条件，以及预言机性质和稳健标准误分别依赖的假设。
- 阅读边界
- 仅据版本未注明的索引摘要；未提供模型细节与有限样本结果，预言机性质不能解释为任意调参下均正确选择变量。
原文摘要
Semiparametric regression models are very useful for longitudinal data analysis. The complexity of semiparametric models and the structure of longitudinal data pose new challenges to parametric inferences and model selection that frequently arise from longitudinal data analysis. In this article, two new approaches are proposed for estimating the regression coefficients in a semiparametric model. The asymptotic normality of the resulting estimators is established. An innovative class of variable selection procedures is proposed to select significant variables in the semiparametric models. The proposed procedures are distinguished from others in that they simultaneously select significant variables and estimate unknown parameters. Rates of convergence of the resulting estimators are established. With a proper choice of regularization parameters and penalty functions, the proposed variable selection procedures are shown to perform as well as an oracle estimator. A robust standard error formula is derived using a sandwich formula and is empirically tested. Local polynomial regression techniques are used to estimate the baseline function in the semiparametric model.