Projected Partial Likelihood and Its Application to Longitudinal Data
投影部分似然及其在纵向数据中的应用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：摘要明确研究纵向数据、时变协变量和条件矩估计方程，与面板数据方法直接相关，未说明宏观应用。
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
投影部分似然及其在纵向数据中的应用
- 研究问题
- 纵向数据中，如何构造兼顾缺失数据与时变协变量的估计方程，并区分条件方差设定对效率和一致性的作用？
- 方法与思路
- 作者将部分似然得分投影到条件线性估计方程张成的空间，并在依次预测的框架中研究其最优性和渐近性质。
- 材料陈述的贡献
- 摘要称，删去特定投影项可保留重要推断性质；正确条件方差设定关系到效率，但非一致性与渐近分布理论所必需。
- 阅读关注点
- 应核对条件矩限制、投影与删项规则、缺失机制要求，以及最优性比较的方程集合和方差误设下的推断条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要，缺失机制与关键条件未说明，不能据此认定方法适用于任意缺失或协变量过程。
原文摘要
An estimating equation, which we call the projected partial score, is introduced for longitudinal data analysis. The estimating equation is obtained by projecting the partial likelihood score function onto the vector space spanned by a class of ‘conditionally linear’ estimating equations. We demonstrate that removing certain terms from the projection of the full likelihood score does not alter important inferential properties of the estimating equation, and doing so is advantageous in handling missing data and time-varying covariates. Within a prequential frame of reference it is shown that the estimating equation is optimal among the largest collection of estimating equations determined by the conditional moments. Furthermore, the method possesses similar properties to generalised estimating equations; in particular, the correct conditional variance specification is necessary for efficiency but not for asymptotic consistency and distribution theory.