Multivariate ordinal regression for multiple repeated measurements
多重重复测量的多变量有序回归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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要明确联合建模个体的重复面板观测和多个有序响应变量。
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
多重重复测量的多变量有序回归
- 研究问题
- 对于同时包含时间重复观测和多个有序指标的个体面板，如何联合建模同期相关性与跨期持续性，并有效估计参数？
- 方法与思路
- 作者在潜在变量误差上设置多变量自回归结构，采用正态或 Student t 分布及复合似然估计，并与贝叶斯方法比较。
- 材料陈述的贡献
- 摘要称，模拟中估计程序能较好恢复参数且计算时间具有竞争力，并提供 R 包及美国上市公司违约和评级数据应用。
- 阅读关注点
- 应核对潜在变量尺度与阈值的识别、同期和跨期相关结构，以及复合似然推断、分布选择与贝叶斯比较的公平性。
- 阅读边界
- 这是预印本，同行评审或接收未经核实。摘要未说明参数识别条件、标准误计算或模拟设定，不能确认一般计算优势。
原文摘要
In this paper we propose a multivariate ordinal regression model which allows the joint modeling of three-dimensional panel data containing both repeated and multiple measurements for a collection of subjects. This is achieved by a multivariate autoregressive structure on the errors of the latent variables underlying the ordinal responses, where we distinguish between the correlations at a single point in time and the persistence over time. The error distribution is assumed to be normal or Student t distributed. The estimation is performed using composite likelihood methods. We perform several simulation exercises to investigate the quality of the estimates in different settings as well as in comparison with a Bayesian approach. The simulation study confirms that the estimation procedure is able to recover the model parameters well and is competitive in terms of computation time. We also introduce R package mvordflex and illustrate how this implementation can be used to estimate the proposed model in a user-friendly, convenient way. Finally, we illustrate the framework on a data set containing firm failure and credit ratings information from the rating agencies S&P and Moody's for US listed companies.