Rank-based regression for analysis of repeated measures
重复测量分析中的秩回归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：摘要明确研究同一个体的重复测量，并分解个体内外信息、处理个体内相关性，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…
关注这篇论文的作者
重复测量分析中的秩回归
- 研究问题
- 重复测量中的个体内相关性如何影响秩回归，能否利用个体间与个体内的秩信息构造并组合更有效率的估计？
- 方法与思路
- 作者将总体秩分解为个体间和个体内秩，分别构造估计量，再用扰动方法生成估计函数与参数估计的bootstrap重复。
- 材料陈述的贡献
- 摘要称扰动方法为组合两类估计函数提供便利途径，以提高估计效率；未报告效率增幅或具体相关结构下的比较。
- 阅读关注点
- 应核对秩分解定义、个体内相关性处理和组合权重构造，以及扰动bootstrap的有效条件与重复测量设计要求。
- 阅读边界
- 来源为未注明稿件版本的OpenAlex索引摘要。摘要未说明重复次数、时间设计或误差条件；效率陈述不能推广为所有纵向模型中的优势。
原文摘要
We consider rank-based regression models for repeated measures. To account for possible withinsubject correlations, we decompose the total ranks into between- and within-subject ranks and obtain two different estimators based on between- and within-subject ranks. A simple perturbation method is then introduced to generate bootstrap replicates of the estimating functions and the parameter estimates. This provides a convenient way for combining the corresponding two types of estimating function for more efficient estimation.