An EM Algorithm Fitting First-Order Conditional Autoregressive Models to Longitudinal Data
纵向数据一阶条件自回归模型的 EM 拟合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：摘要明确研究个体纵向响应、滞后结局、时变协变量与缺失，直接对应面板和纵向数据方法。
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
纵向数据一阶条件自回归模型的 EM 拟合
- 研究问题
- 纵向连续结局依赖滞后结局及协变量，且响应和连续协变量存在测量误差与缺失时，如何拟合模型并计算标准误？
- 方法与思路
- 作者将纵向回归写成状态空间形式，E 步使用 Kalman 滤波及相关算法更新潜在真实序列，M 步采用闭式高斯结果。
- 材料陈述的贡献
- 摘要称，模型同时处理缺失与高斯测量误差，以补充 EM 算法计算标准误，并报告对儿童多年肺功能观测的拟合应用。
- 阅读关注点
- 核对基线与后续响应设定、缺失机制和测量误差假设、滤波更新及 EM 收敛，并检查补充 EM 标准误的计算要求。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；不能推断后续刊本变化。摘要未说明缺失机制、误差独立性或拟合评价，不能推断任意缺失下均有效。
原文摘要
An EM algorithm fits a state-space formulation of the longitudinal regression model in which a continuous response depends on the lagged response and both time-dependent and time-independent covariates. The baseline response depends only on covariates. The model handles both missing data and Gaussian measurement error on both response and continuous covariates. The E step uses the Kalman filter and associated filtering algorithms to update the unknown true response and predictor series for the observed data. The M step uses standard closed-form Gaussian results. Standard errors come from the supplemented EM (SEM) algorithm. The model accurately fits 6 years of pulmonary function measurements on 158 children with many missing observations.