Analysing longitudinal count data with overdispersion
过度离散纵向计数数据的分析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：摘要明确涉及大量个体的重复响应、个体协变量及纵向相关结构，对应面板数据方法。
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…
关注这篇论文的作者
过度离散纵向计数数据的分析
- 研究问题
- 对于同一个体的重复计数观测，如何联合估计回归参数与影响边际方差的过度离散参数，并处理纵向相关性？
- 方法与思路
- 作者基于重复过度离散数据的一般自相关结构建立广义估计方程，将纵向相关参数视为干扰参数进行估计。
- 材料陈述的贡献
- 摘要称讨论主要参数估计量的渐近性质，并以癫痫发作计数数据说明联合估计方法的应用方式。
- 阅读关注点
- 应核对均值与方差模型、相关结构估计方式及渐近框架，检查相关结构设定错误时的推断和效率表现。
- 阅读边界
- 材料为稿件版本未注明的 OpenAlex 索引摘要，不能推断刊本变化；摘要未说明渐近条件、误设稳健性或应用的数值结果。
原文摘要
In many biomedical studies, longitudinal count data comprise repeated responses and a set of multidimensional covariates for a large number of individuals. When the response variable in such models is subject to overdispersion, the overdispersion parameter influences the marginal variance. In such cases, the overdispersion parameter plays a significant role in efficient estimation of the regression parameters. This raises the need for joint estimation of the regression parameters and the overdispersion parameter, the longitudinal correlations being nuisance parameters. In this paper, we develop a generalised estimating equations approach based on a general autocorrelation structure for the repeated overdispersed data. The asymptotic properties of the estimators of the main parameters are discussed, and the estimation methodology is illustrated by analysing data on epileptic seizure counts.