Overstuffed sandwiches and separation anxiety: finite-sample variance estimation for penalized GEE with near-separated binary data
近分离二元数据中惩罚GEE的有限样本方差估计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。
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：摘要明确分析同一对象重复观测的纵向二元数据及GEE方差估计，直接关联面板数据；未说明离散选择的经济行为模型。
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
近分离二元数据中惩罚GEE的有限样本方差估计
- 研究问题
- 在低事件率、小样本及近分离的纵向二元数据中，如何修正惩罚GEE的夹心方差，避免杠杆调整过度或检验反保守？
- 方法与思路
- 作者分析收敛内部根序列下的一阶渐近性质，以矩阵刻画逐参数过度修正，并在得分层面杠杆校正上加入有限样本上移项。
- 材料陈述的贡献
- 摘要称，新方差估计在包括样本量为10的低事件率模拟中得到保守或接近名义水平的第一类错误率，并涵盖不平衡设计。
- 阅读关注点
- 应核对内部根序列与近分离的关系、方差上移和中心化项的定义，以及模拟中的惩罚、相关结构、比较方法和拒绝率误差。
- 阅读边界
- 这是arXiv第3版预印本，同行评审和期刊接收未经核实；摘要未给出完整条件，模拟中的错误率表现不能推广为普遍保证。
原文摘要
Penalized generalized estimating equations (PGEE) stabilize point estimation for longitudinal binary data under near-separation, but inference still depends on how the sandwich variance is corrected. Existing corrections for PGEE can overadjust in high-leverage directions, require restrictive pooling assumptions, or add global regularization without explaining the bias. We establish first-order asymptotics for PGEE along convergent interior-root sequences and derive a matrix characterization of the parameter-specific overcorrection induced by full leverage adjustment. Finite-sample calibration is limited by both mean bias and the variability of leverage-corrected variance estimates. We propose $\hat{V}_{AR}$, which keeps the score-level leverage correction and adds a finite-sample upward translation dominated at first order by the finite-population factor, with a smaller centering term. In simulations, $\hat{V}_{AR}$ gives conservative or near-nominal type I error in low-event, small-$N$ settings, including $N = 10$, where several standard corrections remain anti-conservative and pooling estimators are unavailable for unbalanced designs.