A semiparametric pseudolikelihood estimation method for panel count data
面板计数数据的半参数伪似然估计方法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：摘要明确研究同一计数过程在面板观测下的数据与协变量，直接对应重复观测的面板数据方法，应用背景为医学。
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
面板计数数据的半参数伪似然估计方法
- 研究问题
- 如何利用带协变量的面板计数数据估计回归参数与基准均值函数，并降低对条件泊松过程设定的依赖？
- 方法与思路
- 作者以条件非齐次泊松过程及乘法形式的条件均值构造半参数伪似然，并设计迭代算法联合估计回归参数和基准函数。
- 材料陈述的贡献
- 摘要称估计量在过程并非条件泊松时仍可一致，并给出计算算法、模拟研究及膀胱肿瘤数据应用。
- 阅读关注点
- 应核对观测时点机制、条件均值设定及一致性所需条件，并检查迭代收敛与所谓高维参数计算吸引力的具体含义。
- 阅读边界
- OpenAlex 索引版本未注明；摘要中的稳健性针对条件泊松设定，不代表任意均值或观测机制误设下仍一致。
原文摘要
In this paper, we study panel count data with covariates. A semiparametric pseudolikelihood estimation method is proposed based on the assumption that, given a covariate vector Z, the underlying counting process is a nonhomogeneous Poisson process with the conditional mean function given by E{N (t) |Z} = Λ0 (t) exp (β′0Z). The proposed estimation method is shown to be robust in the sense that the estimator converges to its true value regardless of whether or not N (t) is a conditional Poisson process, given Z. An iterative numerical algorithm is devised to compute the semiparametric maximum pseudolikelihood estimator of (β0, Λ0). The algorithm appears to be attractive, especially when β0 is a high‐dimensional regression parameter. Some simulation studies are conducted to validate the method. Finally, the method is applied to a real dataset from a bladder tumour study.