Marginal nonparametric kernel regression accounting for within-subject correlation
考虑个体内相关性的边际非参数核回归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：摘要明确研究纵向数据中的个体内相关性，并采用固定簇规模、簇数量增加的框架，与面板数据方法直接相关。
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
考虑个体内相关性的边际非参数核回归
- 研究问题
- 研究纵向或聚类数据的核回归为何可能在假定独立时更有效率，以及如何利用真实个体内相关结构改善估计方差。
- 方法与思路
- 作者在簇规模固定、簇数量增加的渐近框架下解释标准核方法的现象，并提出不同的核平滑方法以纳入个体内相关。
- 材料陈述的贡献
- 摘要称新估计量在采用真实相关结构时方差最小，渐近方差一致小于最有效的工作独立方法，且小型模拟显示有限样本改善。
- 阅读关注点
- 应核对新旧核权重的差异、方差比较的条件与偏差处理，以及真实相关结构未知时如何估计并影响效率结论。
- 阅读边界
- 仅据版本未注明的索引摘要，方差优势有特定渐近框架；未说明均方误差或相关结构误设的表现，不能推断全面优越。
原文摘要
There has been substantial recent interest in non‐ and semiparametric methods for longitudinal or clustered data with dependence within clusters. It has been shown rather inexplicably that, when standard kernel smoothing methods are used in a natural way, higher efficiency is obtained by assuming independence than by using the true correlation structure. It is shown here that this result is a natural consequence of how standard kernel methods incorporate the within‐subject correlation in the asymptotic setting considered, where the cluster sizes are fixed and the cluster number increases. In this paper, an alternative kernel smoothing method is proposed. Unlike the standard methods, the smallest variance of the new estimator is achieved when the true correlation is assumed. Asymptotically, the variance of the proposed method is uniformly smaller than that of the most efficient working independence approach. A small simulation study shows that significant improvement is obtained for finite samples.