A functional-based distribution diagnostic for a linear model with correlated outcomes
相关结果线性模型的泛函式分布诊断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：相关误差并不直接意味着面板、网络或时间序列，摘要未提供足以选择这些细分方向的结构信息。
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…
相关结果线性模型的泛函式分布诊断
- 研究问题
- 对于误差相关的线性模型，如何从残差的图形诊断推进到整体正态性检验，并针对特定误差分量进行诊断？
- 方法与思路
- 作者研究变换后残差经验分布函数的整体随机行为，以模拟近似其极限，并利用连续泛函与投影矩阵构造正态性检验。
- 材料陈述的贡献
- 摘要称，将逐点渐近理论扩展为整体理论，提供计算高效的参数自助模拟方法，并使检验可针对特定误差分量。
- 阅读关注点
- 应核对残差变换、协方差估计与经验过程条件，所选泛函和投影的作用，以及模拟校准的有效性、大小和功效表现。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；相关结构与正则条件未说明，所称方法表现良好缺少具体结果，不能理解为任意相关均适用。
原文摘要
In this paper we present an easy-to-implement graphical distribution diagnostic for linear models with correlated errors. Houseman et al. (2004) constructed quantile–quantile plots for the marginal residuals of such models, suitably transformed. We extend the pointwise asymptotic theory to address the global stochastic behaviour of the corresponding empirical cumulative distribution function, and describe a simulation technique that serves as a computationally efficient parametric bootstrap for generating representatives of its stochastic limit. Thus, continuous functionals of the empirical cumulative distribution function may be used to form global tests of normality. Through the use of projection matrices, we generalised our methods to include tests that are directed at assessing the normality of particular components of the error. Thus, tests proposed by Lange & Ryan (1989) follow as a special case. Our method works well both for models having independent units of sampling and for those in which all observations are correlated.