Should the pharmaceutical industry consider using high-order autoregressive models when modelling panel data?
制药行业面板数据建模是否应考虑高阶自回归结构？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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要直接讨论患者纵向面板数据中重复测量模型的相关结构设定。
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…
制药行业面板数据建模是否应考虑高阶自回归结构？
- 研究问题
- 重复测量混合模型无法可靠拟合非结构化或 Toeplitz 协方差时，能否用高阶自回归结构灵活描述患者纵向数据的相关性？
- 方法与思路
- 作者讨论把可能较高阶的自回归模型用于面板相关结构，作为更一般协方差结构难以识别时的替代，而非仅考虑一阶模型。
- 材料陈述的贡献
- 摘要提出高阶自回归结构在制药纵向数据建模中的实用价值，并强调其相较于常用一阶结构可提供更灵活的相关性描述。
- 阅读关注点
- 应核对阶数选择、正定性与可识别性约束，以及不规则随访、缺失数据和协方差误设对固定效应推断的影响。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要主要提出建模主张，未说明定理、比较实验或具体性能结果。
原文摘要
Longitudinal data, often in the form of panel data, are commonly encountered in the pharmaceutical industry. However it is not always possible to fit an unstructured covariance matrix when using the Mixed Model for Repeated Measures (MMRM). Here we argue that high-order autoregressive models provide a useful framework when more general correlation structures, such as the unstructured and/or Toeplitz, are unfeasible. The autoregressive model of order one is often suggested but, in our experience, higher orders are seldom considered. We present the case for using autoregressive models, with potentially high orders, as a flexible framework to model correlations in panel data, when more general structures are hard to identify.