Multivariate Regression Analyses for Categorical Data
分类数据的多元回归分析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：摘要明确包含纵向研究中的重复观测及其关联建模，为面板数据方向提供直接依据。
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…
分类数据的多元回归分析
- 研究问题
- 面对离散或连续的多元响应，如何同时描述各响应与解释变量的关系，以及重复观测或不同响应之间的关联？
- 方法与思路
- 作者为边际期望和两两关联建模，比较只估计回归参数与同时估计回归、关联参数的两种广义估计方程方法。
- 材料陈述的贡献
- 摘要称比较边际模型与对数线性模型，并讨论两种估计方程方法的稳健性和效率，以两组公共卫生数据说明。
- 阅读关注点
- 应核对边际均值和关联模型的设定、工作相关结构及误设情形，并查看两种方法的方差估计和效率比较条件。
- 阅读边界
- 仅据所给 Crossref 摘要；稳健性的具体范围和效率结果未说明，分类响应本身也不意味着离散选择行为或因果识别。
原文摘要
SUMMARY It is common to observe a vector of discrete and/or continuous responses in scientific problems where the objective is to characterize the dependence of each response on explanatory variables and to account for the association between the outcomes. The response vector can comprise repeated observations on one variable, as in longitudinal studies or genetic studies of families, or can include observations for different variables. This paper discusses a class of models for the marginal expectations of each response and for pairwise associations. The marginal models are contrasted with log-linear models. Two generalized estimating equation approaches are compared for parameter estimation. The first focuses on the regression parameters; the second simultaneously estimates the regression and association parameters. The robustness and efficiency of each is discussed. The methods are illustrated with analyses of two data sets from public health research.