Generalized empirical likelihood methods for analyzing longitudinal data
分析纵向数据的广义经验似然方法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：摘要明确分析纵向重复观测和个体内相关性，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…
分析纵向数据的广义经验似然方法
- 研究问题
- 分析同一个体被重复观测的纵向数据时，如何利用个体内相关结构，提高参数估计效率与区间覆盖表现？
- 方法与思路
- 作者提出两种纳入个体内相关性的广义经验似然方法，推导似然比的非参数 Wilks 型极限结果并开展比较。
- 材料陈述的贡献
- 摘要称，一种方法在一类个体内协方差矩阵中局部有效；模拟显示，相比忽略相关性的方法效率通常更高，覆盖也有改善。
- 阅读关注点
- 应核对两种方法如何纳入相关性、局部效率对应的比较类别，以及覆盖比较中协方差正确设定和估计的区别。
- 阅读边界
- 仅据所给 Crossref 摘要，稿件版本未明确；正则条件、效率范围及覆盖数值未说明，不能推断刊本变化。
原文摘要
Abstract Efficient estimation of parameters is a major objective in analyzing longitudinal data. We propose two generalized empirical likelihood-based methods that take into consideration within-subject correlations. A nonparametric version of the Wilks theorem for the limiting distributions of the empirical likelihood ratios is derived. It is shown that one of the proposed methods is locally efficient among a class of within-subject variance-covariance matrices. A simulation study is conducted to investigate the finite sample properties of the proposed methods and compares them with the block empirical likelihood method by You et al. (2006) and the normal approximation with a correctly estimated variance-covariance. The results suggest that the proposed methods are generally more efficient than existing methods that ignore the correlation structure, and are better in coverage compared to the normal approximation with correctly specified within-subject correlation. An application illustrating our methods and supporting the simulation study results is presented.