Generalized Linear Models Incorporating Population Level Information: An Empirical-Likelihood-Based Approach
纳入总体层面信息的广义线性模型：基于经验似然的方法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：摘要明确将面板调查数据与出生登记结合开展人口风险建模，支持面板数据应用分类，但未说明专门的面板依赖处理方法。
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…
纳入总体层面信息的广义线性模型：基于经验似然的方法
- 研究问题
- 如何将总体层面关于因变量与解释变量关系的信息纳入个体样本的广义线性模型，并简化约束估计与标准误计算？
- 方法与思路
- 作者采用经验似然，使总体信息在该框架下对应线性约束，提出仅调用无约束估计的两步算法及可计算标准误。
- 材料陈述的贡献
- 摘要称总体信息可能减小偏差、提高效率，并给出算法和标准误表达式，以面板调查及出生登记联合估计生育概率。
- 阅读关注点
- 应核对总体信息如何形成约束、两类数据的兼容性、两步算法的具体步骤，以及标准误是否计入总体信息的不确定性。
- 阅读边界
- 仅据所给Crossref摘要；偏差与效率改善的具体条件未说明，也未交代总体信息误差或调查与登记口径不一致时的表现。
原文摘要
Summary In many situations information from a sample of individuals can be supplemented by population level information on the relationship between a dependent variable and explanatory variables. Inclusion of the population level information can reduce bias and increase the efficiency of the parameter estimates. Population level information can be incorporated via constraints on functions of the model parameters. In general the constraints are non-linear, making the task of maximum likelihood estimation more difficult. We develop an alternative approach exploiting the notion of an empirical likelihood. It is shown that, within the framework of generalized linear models, the population level information corresponds to linear constraints, which are comparatively easy to handle. We provide a two-step algorithm that produces parameter estimates by using only unconstrained estimation. We also provide computable expressions for the standard errors. We give an application to demographic hazard modelling by combining panel survey data with birth registration data to estimate annual birth probabilities by parity.