Regression Analysis of Sparse Asynchronous Longitudinal Data
稀疏异步纵向数据的回归分析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：摘要研究同一受试者内多次观测、时变协变量及时间不匹配的回归问题，直接对应纵向与面板数据方法。
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…
稀疏异步纵向数据的回归分析
- 研究问题
- 当同一受试者的响应与时变协变量仅间歇观测且时间不匹配时，如何估计固定或时变系数的纵向回归模型？
- 方法与思路
- 作者为广义线性模型构造核加权估计方程，在协变量过程平滑条件下处理响应和协变量的异步观测，并进行模拟与应用。
- 材料陈述的贡献
- 摘要称估计量一致且渐近正态，但收敛慢于同步数据；模拟显示方法可能优于简单沿用最近一次观测值的处理。
- 阅读关注点
- 应核对观测时间机制、核权重和带宽选择、系数平滑条件，并检查异步程度对收敛速率及模拟比较的影响。
- 阅读边界
- 仅据所给 Crossref 摘要，具体观测机制和速率未说明；对最近值延续方法的优势来自所述模拟，不能推广到所有纵向数据。
原文摘要
Summary We consider estimation of regression models for sparse asynchronous longitudinal observations, where time-dependent responses and covariates are observed intermittently within subjects. Unlike with synchronous data, where the response and covariates are observed at the same time point, with asynchronous data, the observation times are mismatched. Simple kernel-weighted estimating equations are proposed for generalized linear models with either time invariant or time-dependent coefficients under smoothness assumptions for the covariate processes which are similar to those for synchronous data. For models with either time invariant or time-dependent coefficients, the estimators are consistent and asymptotically normal but converge at slower rates than those achieved with synchronous data. Simulation studies evidence that the methods perform well with realistic sample sizes and may be superior to a naive application of methods for synchronous data based on an ad hoc last value carried forward approach. The practical utility of the methods is illustrated on data from a study on human immunodeficiency virus.