A moving average Cholesky factor model in covariance modelling for longitudinal data
纵向数据协方差建模中的移动平均 Cholesky 因子模型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：摘要明确针对纵向观测的均值与协方差联合分析，直接关联面板数据中的个体内相关结构。
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…
纵向数据协方差建模中的移动平均 Cholesky 因子模型
- 研究问题
- 如何为纵向数据的协方差结构建立具有回归解释的参数化，并联合估计均值与协方差、降低协方差模型选择的计算成本？
- 方法与思路
- 作者采用新的 Cholesky 分解，使其元素具有移动平均与对数创新解释，以协变量线性建模，并结合最大似然和 BIC 局部搜索。
- 材料陈述的贡献
- 摘要称推导了系数估计的渐近分布，证明局部搜索的模型选择一致性，并用 CD4 轨迹数据和模拟展示有限样本表现。
- 阅读关注点
- 核对分解与协方差有效性的关系、联合似然的分布假设，以及局部搜索的候选空间、计算比较与选择一致性条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；分解公式、效率及一致性条件未提供，不能将因子一词理解为宏观潜在因子模型。
原文摘要
We propose new regression models for parameterizing covariance structures in longitudinal data analysis. Using a novel Cholesky factor, the entries in this decomposition have a moving average and log-innovation interpretation and are modelled as linear functions of covariates. We propose efficient maximum likelihood estimates for joint mean-covariance analysis based on this decomposition and derive the asymptotic distributions of the coefficient estimates. Furthermore, we study a local search algorithm, computationally more efficient than traditional all subset selection, based on bic for model selection, and show its model selection consistency. Thus, a conjecture of Pan & MacKenzie (2003) is verified. We demonstrate the finite-sample performance of the method via analysis of data on CD4 trajectories and through simulations.