Bayesian analysis of covariance matrices and dynamic models for longitudinal data
纵向数据协方差矩阵与动态模型的贝叶斯分析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：摘要直接研究纵向重复观测中的个体内部协方差，支持归入面板数据方法。
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…
关注这篇论文的作者
纵向数据协方差矩阵与动态模型的贝叶斯分析
- 研究问题
- 在纵向数据分析中，如何简约地建模个体内部协方差，保持矩阵正定，并灵活纳入先验结构、收缩及协变量信息？
- 方法与思路
- 作者利用 Cholesky 分解形成无约束且具有统计解释的重参数化，构造条件共轭先验，发展贝叶斯估计并用 Gibbs 抽样计算。
- 材料陈述的贡献
- 摘要称，先验与广义逆 Wishart 先验存在联系，并便于正定性维护、结构收缩及协变量建模；两项模拟用于比较协方差先验。
- 阅读关注点
- 应核对重参数化的统计解释、观测顺序对先验的影响、收缩目标与协变量进入方式，以及模拟比较使用的设计和损失指标。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；先验超参数和模拟数值未说明，不能据此认定所提先验对所有纵向数据均更合适。
原文摘要
Parsimonious modelling of the within‐subject covariance structure while heeding its positive‐definiteness is of great importance in the analysis of longitudinal data. Using the Cholesky decomposition and the ensuing unconstrained and statistically meaningful reparameterisation, we provide a convenient and intuitive framework for developing conditionally conjugate prior distributions for covariance matrices and show their connections with generalised inverse Wishart priors. Our priors offer many advantages with regard to elicitation, positive definiteness, computations using Gibbs sampling, shrinking covariances toward a particular structure with considerable flexibility, and modelling covariances using covariates. Bayesian estimation methods are developed and the results are compared using two simulation studies. These simulations suggest simpler and more suitable priors for the covariance structure of longitudinal data.