Empirical likelihood and quantile regression in longitudinal data analysis
纵向数据分析中的经验似然与分位数回归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：摘要同时涉及纵向数据的个体内相关与分位数回归，分别对应面板数据和分位数方法。
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
纵向数据分析中的经验似然与分位数回归
- 研究问题
- 在纵向数据的分位数回归中，如何利用条件均值模型提供的辅助信息处理同一个体内的相关性，从而提高估计效率？
- 方法与思路
- 作者提出结合辅助均值信息的分位数回归方法，题名表明使用经验似然；摘要未说明具体约束、相关结构或计算步骤。
- 材料陈述的贡献
- 摘要称，该方法能够自然纳入条件均值模型信息处理个体内相关，效率增益有理论量化，并通过模拟和真实数据分析展示。
- 阅读关注点
- 应核对经验似然约束如何连接均值与分位数模型、辅助信息有效性的要求，以及效率增益相对于哪一种基准方法衡量。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明且信息较少。均值模型误设的影响、理论条件和效率增益大小均未说明。
原文摘要
We propose a novel quantile regression approach for longitudinal data analysis which naturally incorporates auxiliary information from the conditional mean model to account for within-subject correlations. The efficiency gain is quantified theoretically and demonstrated empirically via simulation studies and the analysis of a real dataset.