An EM Algorithm Fitting First-Order Conditional Autoregressive Models to Longitudinal Data
用 EM 算法拟合纵向数据的一阶条件自回归模型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：摘要明确处理个体重复观测的纵向回归、滞后响应及跨期协变量，并应用于儿童追踪数据，直接支持面板数据分类。
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
用 EM 算法拟合纵向数据的一阶条件自回归模型
- 研究问题
- 纵向连续响应依赖滞后响应与协变量，且存在缺失和高斯测量误差时，如何拟合模型并计算参数标准误？
- 方法与思路
- 作者采用状态空间表示，在 E 步用 Kalman 滤波等算法更新潜在真实序列，M 步用高斯闭式结果，并以 SEM 算标准误。
- 材料陈述的贡献
- 摘要称该方法同时处理响应和连续协变量的测量误差与缺失，并较好拟合 158 名儿童六年的肺功能观测。
- 阅读关注点
- 阅读全文时应核对缺失机制、测量误差方差的识别、基线响应设定，以及 EM 收敛和 SEM 标准误的计算。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；缺失机制、识别条件和拟合指标未说明，不能据此保证非高斯误差下仍有效。
原文摘要
An EM algorithm fits a state-space formulation of the longitudinal regression model in which a continuous response depends on the lagged response and both time-dependent and time-independent covariates. The baseline response depends only on covariates. The model handles both missing data and Gaussian measurement error on both response and continuous covariates. The E step uses the Kalman filter and associated filtering algorithms to update the unknown true response and predictor series for the observed data. The M step uses standard closed-form Gaussian results. Standard errors come from the supplemented EM (SEM) algorithm. The model accurately fits 6 years of pulmonary function measurements on 158 children with many missing observations.