Composite Conditional Likelihood for Sparse Clustered Data
稀疏聚类数据的复合条件似然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：摘要研究聚类二元响应和组内关联，没有选择行为、面板动态或网络干扰的明确证据。
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…
关注这篇论文的作者
稀疏聚类数据的复合条件似然
- 研究问题
- 在精细分层形成的稀疏聚类离散数据中，如何减轻大量干扰参数带来的推断困难，同时估计边际响应与组内关联的协变量效应？
- 方法与思路
- 作者提出复合条件似然；针对稀疏聚类二元数据，利用每层的双重不一致四元组，对组内成对优势比进行推断。
- 材料陈述的贡献
- 摘要称，方法可对边际响应概率及组内成对关联上的协变量效应提供有效推断，回应稀疏数据下常规方法的适用困难。
- 阅读关注点
- 应核对条件化如何处理干扰参数、四元组的定义与筛选、可识别目标，以及标准误和有效推断所依赖的样本条件。
- 阅读边界
- 仅据 Crossref 摘要；有效性的具体条件、计算步骤和有限样本结果未说明，不能认定该方法对所有稀疏聚类结构均适用。
原文摘要
Summary Sparse clustered data arise in finely stratified genetic and epidemiologic studies and pose at least two challenges to inference. First, it is difficult to model and interpret the full joint probability of dependent discrete data, which limits the utility of full likelihood methods. Second, standard methods for clustered data, such as pairwise likelihood and the generalized estimating function approach, are unsuitable when the data are sparse owing to the presence of many nuisance parameters. We present a composite conditional likelihood for use with sparse clustered data that provides valid inferences about covariate effects on both the marginal response probabilities and the intracluster pairwise association. Our primary focus is on sparse clustered binary data, in which case the method proposed utilizes doubly discordant quadruplets drawn from each stratum to conduct inference about the intracluster pairwise odds ratios.