Weighted Empirical Adaptive Variance Estimators for Correlated Data Regression
相关数据回归的加权经验自适应方差估计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：摘要仅说明数据相关，未明确给出面板结构、网络结构或其他所列细分主题。
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
相关数据回归的加权经验自适应方差估计
- 研究问题
- 使用边际广义线性模型的估计方程分析相关数据时，如何可靠估计标准误，使回归推断与检验获得适当的方差依据？
- 方法与思路
- 作者以估计函数的加权经验方差构造一类方差估计量，自适应选择权重，并研究其与 bootstrap、jackknife 方法的联系。
- 材料陈述的贡献
- 摘要称自适应权重在渐近分析和有限样本模拟中支持可靠方差估计，并以华盛顿州空气污染健康数据展示其影响。
- 阅读关注点
- 应核对相关数据的组织形式、权重选择准则和渐近条件，关注模拟如何衡量标准误可靠性及其对检验结果的影响。
- 阅读边界
- 仅据所给 Crossref 摘要；相关结构、样本设计和可靠性的量化结果未说明，不能据此认定对所有相关数据均适用。
原文摘要
Summary Estimating equations based on marginal generalized linear models are useful for regression modelling of correlated data, but inference and testing require reliable estimates of standard errors. We introduce a class of variance estimators based on the weighted empirical variance of the estimating functions and show that an adaptive choice of weights allows reliable estimation both asymptotically and by simulation in finite samples. Connections with previous bootstrap and jackknife methods are explored. The effect of reliable variance estimation is illustrated in data on health effects of air pollution in King County, Washington.