Latent Variable Regression for Multiple Discrete Outcomes
多重离散结果的潜变量回归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：摘要明确以潜类回归处理多元类别结果及其与协变量的关系，直接涉及离散响应模型。
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…
多重离散结果的潜变量回归
- 研究问题
- 当健康或功能状态由多个类别指标共同衡量时，如何建立可识别的潜类回归模型，估计其与协变量的关联并检查模型适配？
- 方法与思路
- 作者研究含协变量的潜类模型，发展模型约简与识别方法，给出参数和标准误拟合程序，并通过老年人身体失能数据展示诊断策略。
- 材料陈述的贡献
- 摘要称研究补充了既有潜类建模方法，提供面向应用的识别、估计及诊断工具，主要目标是分析健康或功能与协变量的关联。
- 阅读关注点
- 应核对潜类数量与模型约简、类别标签和参数识别条件、标准误计算及诊断步骤，并确认协变量关联与潜在健康指标的解释范围。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明，不能推断刊本变化；摘要未列明识别条件、诊断表现或应用数值，不能把协变量关联解释为因果效应。
原文摘要
Quantifying human health and functioning poses significant challenges in many research areas. Commonly in the social and behavioral sciences and increasingly in epidemiologic research, multiple indicators are utilized as responses in lieu of an obvious single measure for an outcome of interest. In this article we study the concomitant latent class model for analyzing such multivariate categorical outcome data. We develop practical theory for reducing and identifying such models. We detail parameter and standard error fitting that parallels standard latent class methodology, thus supplementing the approach proposed by Dayton and Macready. We propose and study diagnostic strategies, exemplifying our methods using physical disability data from an ongoing gerontologic study. Throughout, the focus of our work is on applications for which a primary goal is to study the association between health or functioning and covariates.