A Random-Effects Model for Multiple Characteristics with Possibly Missing Data
允许数据缺失的多特征随机效应模型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的随机效应模型及多响应缺失问题，直接对应面板数据中的重复观测建模。
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
允许数据缺失的多特征随机效应模型
- 研究问题
- 纵向研究同时测量多个特征且观测存在不同缺失模式时，如何扩展单特征随机效应模型并估计其参数？
- 方法与思路
- 作者建立多特征随机效应模型，考虑响应间误差不相关与同一测量时点误差相关两种结构，并用EM算法估计。
- 材料陈述的贡献
- 摘要称给出了适应缺失观测的参数估计方程，将单特征模型扩展至多特征情形，并以临床试验实例展示方法。
- 阅读关注点
- 应核对随机效应与测量误差的协方差设定、缺失机制要求，以及EM算法的可识别性、收敛与实际计算步骤。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；允许任意观测缺失模式不等于允许任意缺失机制，后者及估计有效性条件未说明。
原文摘要
The use of random-effects models for the analysis of longitudinal data with missing responses has been discussed by several authors. This article extends the random-effects model for a single characteristic to the case of multiple characteristics, allowing for arbitrary patterns of observed data. Two different structures for the covariance matrix of measurement error are considered: uncorrelated error between responses and correlation of error terms at the same measurement times. Parameters for this model are estimated via the EM algorithm. The set of equations for this estimation procedure is derived; these equations are appropriately modified to deal with missing data. The methodology is illustrated with an example from clinical trials.