Marginal methods for correlated binary data with misclassified responses
响应误分类下相关二元数据的边际分析方法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：摘要明确处理纵向二元响应及同一单位内的相关性，与面板数据方法直接相关。
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…
响应误分类下相关二元数据的边际分析方法
- 研究问题
- 当聚类或纵向二元响应存在误分类时，如何同时推断边际均值和关联参数，并利用验证子样本或重复测量信息？
- 方法与思路
- 作者提出处理误分类二元响应的边际分析方法，覆盖验证子样本和重复测量等情形，且不要求指定完整联合分布。
- 材料陈述的贡献
- 摘要称，方法可同时推断均值与关联参数，并在无需完整分布假设的意义下具有误设稳健性；数值研究显示表现满意。
- 阅读关注点
- 应核对误分类参数如何识别、验证或重复信息的要求，以及边际模型和关联模型中哪些部分仍须正确设定。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；误分类机制与一致性条件未说明，无需完整分布假设不代表对所有误设稳健。
原文摘要
Misclassification is a longstanding concern in medical research. Although there has been much research concerning error-prone covariates, relatively little work has been directed to problems with response variables subject to error. In this paper we focus on misclassification in clustered or longitudinal outcomes. We propose marginal analysis methods to handle binary responses which are subject to misclassification. The proposed methods have several appealing features, including simultaneous inference for both marginal mean and association parameters, and they can handle misclassified responses for a number of practical scenarios, such as the case with a validation subsample or replicates. Furthermore, the proposed methods are robust to model misspecification in a sense that no full distributional assumptions are required. Numerical studies demonstrate satisfactory performance of the proposed methods under a variety of settings.