Quadratic inference function approach to merging longitudinal studies: validation and joint estimation
合并纵向研究的二次推断函数方法：验证与联合估计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：摘要明确处理纵向数据、受试者内相关性及不同研究的随访安排。
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
合并纵向研究的二次推断函数方法：验证与联合估计
- 研究问题
- 多个纵向研究能否有效合并，且在受试者内相关性与随访安排不同的情况下，如何进行联合回归估计？
- 方法与思路
- 作者以二次推断函数构造合并有效性的假设检验，再提出允许不同研究具有不同相关结构和随访安排的联合估计。
- 材料陈述的贡献
- 摘要称建立大样本性质，检验对工作相关误设和离散参数异质保持第一类错误控制，并在合并通过验证后提高效率。
- 阅读关注点
- 应核对合并有效性的原假设、跨研究参数限制、不同随访安排的处理，以及相对元分析和GEE的效率比较条件。
- 阅读边界
- 仅据版本未注明的索引摘要；稳健性和全部系数效率改善的适用条件未展开，不能视为任意数据合并的保证。
原文摘要
Merging data from multiple studies has been widely adopted in biomedical research. In this paper, we consider two major issues related to merging longitudinal datasets. We first develop a rigorous hypothesis testing procedure to assess the validity of data merging, and then propose a flexible joint estimation procedure that enables us to analyse merged data and to account for different within-subject correlations and follow-up schedules in different studies. We establish large sample properties for the proposed procedures. We compare our method with meta analysis and generalized estimating equations and show that our test provides robust control of Type I error against both misspecification of working correlation structures and heterogeneous dispersion parameters. Our joint estimating procedure leads to an improvement in estimation efficiency on all regression coefficients after data merging is validated.