Efficient Semiparametric Marginal Estimation for Longitudinal/Clustered Data
纵向与聚类数据的有效半参数边际估计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及个体内响应相关，与面板数据的重复观测结构直接相关。
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…
纵向与聚类数据的有效半参数边际估计
- 研究问题
- 在聚类或纵向数据的边际广义半参数部分线性模型中，怎样构造达到信息界的估计量，并评估利用组内相关性的效率收益？
- 方法与思路
- 作者提出半参数有效估计量并推广模型，比较不同忽略组内相关方式的渐近相对效率，再用模拟和纵向 CD4 数据评估。
- 材料陈述的贡献
- 摘要称所提估计量达到半参数信息界，理论与数值结果表明恰当利用个体内相关可显著提高效率，并展示实际数据应用。
- 阅读关注点
- 核对达到信息界所需模型条件、相关结构的估计方式、非参数部分的处理，以及相关模型误设时的性质和比较基准。
- 阅读边界
- 材料为 OpenAlex 索引摘要，稿件版本未注明；效率界条件及误设稳健性未说明，摘要中的效率提升不能视为无条件结论。
原文摘要
We consider marginal generalized semiparametric partially linear models for clustered data. Lin and Carroll derived the semiparametric efficient score function for this problem in the multivariate Gaussian case, but they were unable to construct a semiparametric efficient estimator that actually achieved the semiparametric information bound. Here we propose such an estimator and generalize the work to marginal generalized partially linear models. We investigate asymptotic relative efficiencies of the estimators that ignore the within-cluster correlation structure either in nonparametric curve estimation or throughout. We evaluate the finite-sample performance of these estimators through simulations and illustrate it using a longitudinal CD4 cell count dataset. Both theoretical and numerical results indicate that properly taking into account the within-subject correlation among the responses can substantially improve efficiency.