Inference in Semiparametric Dynamic Models for Binary Longitudinal Data
二元纵向数据半参数动态模型的推断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：摘要直接研究二元纵向响应、混合效应及序列相关，符合面板数据方法的研究方向。
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
二元纵向数据半参数动态模型的推断
- 研究问题
- 对于包含未知协变量函数及序列相关误差的二元纵向模型，如何降低非参数估计的计算负担，并正式比较不同模型设定？
- 方法与思路
- 作者提出基于马尔可夫链蒙特卡洛的线性复杂度算法，在相关误差下估计未知函数，并处理参数与半参数模型的选择。
- 材料陈述的贡献
- 摘要称所提算法复杂度为 O(N)，相较所讨论的 O(N³) 方法降低计算成本，并通过模拟与真实数据研究展示其表现。
- 阅读关注点
- 应核对层级结构、序列相关的建模方式、复杂度计算口径，以及模型比较准则与蒙特卡洛收敛所需的计算量。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明复杂度对应单次迭代还是完整估计，也未报告模型选择的具体表现。
原文摘要
This article deals with the analysis of a hierarchical semiparametric model for dynamic binary longitudinal responses. The main complicating components of the model are an unknown covariate function and serial correlation in the errors. Existing estimation methods for models with these features are of O(N3), where N is the total number of observations in the sample. Therefore, nonparametric estimation is largely infeasible when the sample size is large, as in typical in the longitudinal setting. Here we propose a new O(N) Markov chain Monte Carlo based algorithm for estimation of the nonparametric function when the errors are correlated, thus contributing to the growing literature on semiparametric and nonparametric mixed-effects models for binary data. In addition, we address the problem of model choice to enable the formal comparison of our semiparametric model with competing parametric and semiparametric specifications. The performance of the methods is illustrated with detailed studies involving simulated and real data.