Unified inference for sparse and dense longitudinal models
稀疏与密集纵向模型的统一推断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：摘要直接讨论纵向重复观测数据及稀疏、密集采样下的统计推断。
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…
稀疏与密集纵向模型的统一推断
- 研究问题
- 纵向数据的观测稀疏度会改变均值函数核估计的收敛率和极限方差，如何避免主观选择稀疏或密集情形造成推断错误？
- 方法与思路
- 作者构造基于自归一化的推断方法，在统一框架内适应稀疏与密集纵向数据，摘要未说明统计量的具体形式。
- 材料陈述的贡献
- 摘要称该框架可统一处理两类观测情形，模拟结果优于部分已有方法；比较对象、评价指标和适应范围没有展开。
- 阅读关注点
- 应核对纵向采样机制、个体内依赖和稀疏度变化条件，以及自归一化能否覆盖中间情形和不同类型的置信推断。
- 阅读边界
- 仅据版本未注明的索引摘要，无法判断统一推断的具体保证或模拟优势幅度，也不能自动推广到一般面板回归模型。
原文摘要
In longitudinal data analysis, statistical inference for sparse data and dense data could be substantially different. For kernel smoothing estimate of the mean function, the convergence rates and limiting variance functions are different under the two scenarios. The latter phenomenon poses challenges for statistical inference as a subjective choice between the sparse and dense cases may lead to wrong conclusions. We develop self-normalization based methods that can adapt to the sparse and dense cases in a unified framework. Simulations show that the proposed methods outperform some existing methods.