Pattern-mixture models with proper time dependence
具有恰当时间依赖结构的模式混合模型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：摘要直接研究纵向重复观测中的退出与缺失结果建模，对应面板数据问题；这里的识别并非明确的因果识别。
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
具有恰当时间依赖结构的模式混合模型
- 研究问题
- 不完整纵向数据的模式混合模型中，未观测结果的条件分布无法直接由数据确定，如何通过符合时间顺序的限制实现识别？
- 方法与思路
- 作者刻画一族识别限制，使退出研究不依赖未来未观测的结果，并用阿尔茨海默病患者临床研究说明这些建模思路。
- 材料陈述的贡献
- 摘要称，论文识别了与退出不依赖未来未观测结果相对应的一族限制，为纵向缺失数据的模式混合建模提供选择。
- 阅读关注点
- 应核对退出机制的条件化对象、识别限制怎样约束缺失结果分布，以及这些限制与随机缺失条件及普通外推的关系。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；识别限制并非数据直接提供的事实，摘要未说明可检验性、敏感性分析或具体效果。
原文摘要
Recently, pattern‐mixture modelling has become a popular tool for modelling incomplete longitudinal data. Such models are under‐identified in the sense that, for any drop‐out pattern, the data provide no direct information on the distribution of the unobserved outcomes, given the observed ones. One simple way of overcoming this problem, ordinary extrapolation of sufficiently simple pattern‐specific models, often produces rather unlikely descriptions; several authors consider identifying restrictions instead. Molenberghs et al. (1998) have constructed identifying restrictions corresponding to missing at random. In this paper, the family of restrictions where drop‐out does not depend on future, unobserved observations is identified. The ideas are illustrated using a clinical study of Alzheimer patients.