Marginal Methods for Incomplete Longitudinal Data Arising in Clusters
聚类不完整纵向数据的边际分析方法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测量、个体内时间相关和组内聚类下的缺失数据估计，与面板数据方向有明确文本联系。
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
聚类不完整纵向数据的边际分析方法
- 研究问题
- 当纵向数据同时存在组内横截面相关、个体内时间相关和缺失时，如何一致估计边际均值与关联结构参数？
- 方法与思路
- 作者提出逆概率加权的二阶估计方程，用多元 Plackett 模型估计具有聚类结构的缺失概率，并考虑交替逻辑回归。
- 材料陈述的贡献
- 摘要称，在指定假设下可一致估计均值与关联参数，并扩展到间歇缺失；模拟和聚类随机吸烟预防试验用于展示。
- 阅读关注点
- 应核对缺失机制、加权概率模型及其可识别性，横截面与纵向关联如何区分，以及间歇缺失扩展所需的额外条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；一致性依赖的指定假设未完整列出，不能据随机试验应用推断因果结论或刊本变化。
原文摘要
Inverse probability–weighted generalized estimating equations are commonly used to deal with incomplete longitudinal data arising from a missing-at-random mechanism when the marginal means are of primary interest. In many cases, however, the repeated measurements themselves may arise in clusters, which leads to both a cross-sectional and a longitudinal correlation structure. In some applications, the degree of these types of correlation may become of scientific interest. Here we develop inverse probability–weighted second-order estimating equations for monotone missing-data patterns which, under specified assumptions, facilitate consistent estimation of the marginal mean parameters and association parameters. Here the missing-data model accommodates cross-sectional clustering in the missing-data indicators, and the probabilities are estimated under a multivariate Plackett model. For computational reasons, we also consider using the alternating logistic regression algorithm for estimation of the association parameters for the responses. We investigate the importance of modeling the cross-sectional clustering in the missing-data process by simulation. An extension to deal with intermittently missing data is provided, and an application to a longitudinal cluster-randomized smoking prevention trial is presented.