Serial Correlation in Unequally Spaced Longitudinal Data
不等间隔纵向数据中的序列相关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：摘要明确包含同一对象的纵向观测与固定、随机效应，同时用连续时间 ARMA 建模序列相关，支持这两个方法方向。
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
不等间隔纵向数据中的序列相关
- 研究问题
- 当同一对象的纵向观测时间不等间隔，且模型同时含固定效应与随机效应时，如何处理对象内误差的序列相关？
- 方法与思路
- 作者以连续时间 ARMA 描述对象内误差，在高斯误差下通过协方差矩阵或状态空间与 Kalman 滤波计算精确似然。
- 材料陈述的贡献
- 摘要称，论文给出两种精确似然计算路径，并采用非线性优化取得参数的最大似然估计，两种路径均涉及复数运算。
- 阅读关注点
- 应核对固定效应、随机效应与序列误差的联合设定，以及两种似然计算的初始化、参数约束和优化实现。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；精确似然陈述限定于高斯误差，计算稳定性、非高斯扩展与实证表现未说明。
原文摘要
Serial correlation in the within subject error structure in longitudinal data with unequally spaced observations is modelled using continuous time autoregressive moving averages. The models considered have both fixed and random effects in addition to serially correlated within subject errors. Two approaches are presented for calculating the exact likelihood for a model when the errors are Gaussian. The first calculates the covariance matrices for each subject for assumed values of the unknown parameters and estimates the fixed parameters by weighted least squares. The second uses a state space model and the Kalman filter to calculate the exact likelihood. Both methods involve the use of complex arithmetic. Nonlinear optimization is used to obtain maximum likelihood estimates of the parameters.