Semiparametric regression for clustered data
聚类数据的半参数回归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。
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：摘要只说明聚类数据及组内相关，未明确时间维度或面板结构，故不据此归入面板数据。
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
聚类数据的半参数回归
- 研究问题
- 在聚类数据的边际均值模型中，如何同时估计参数协变量效应与聚类层面协变量的非参数效应，并处理组内相关？
- 方法与思路
- 作者使用估计方程，发展允许工作相关矩阵的剖面核方法；非参数部分采用标准平滑方法，参数部分通过剖面方式估计。
- 材料陈述的贡献
- 摘要称，论文给出渐近分布、三明治协方差估计和半参数效率结果；工作相关等于真实相关时两部分估计达到最优。
- 阅读关注点
- 应核对效率结论的条件及工作相关矩阵要求，检查平滑参数与三明治估计，并区分聚类层面和观测层面协变量的结果。
- 阅读边界
- 材料为版本未注明的 OpenAlex 索引摘要；未说明聚类规模、相关矩阵估计及效率条件，不能推断相关设定错误时仍然有效率。
原文摘要
We consider estimation in a semiparametric partially generalised linear model for clustered data using estimating equations. A marginal model is assumed where the mean of the outcome variable depends on some covariates parametrically and a cluster‐level covariate nonparametrically. A profile‐kernel method allowing for working correlation matrices is developed. We show that the nonparametric part of the model can be estimated using standard nonparametric methods, including smoothing‐parameter estimation, and the parametric part of the model can be estimated in a profile fashion. The asymptotic distributions of the parameter estimators are derived, and the optimal estimators of both the nonparametric and parametric parts are shown to be obtained when the working correlation matrix equals the actual correlation matrix. The asymptotic covariance matrix of the parameter estimator is consistently estimated by the sandwich estimator. We show that the semiparametric ecient score takes on a simple form and our profile‐kernel method is semiparametric ecient. The results for the case where the nonparametric part of the model is an observation‐level covariate are noted to be dramatically dierent.