Modelling covariance structure in bivariate marginal models for longitudinal data
纵向数据双变量边际模型的协方差结构建模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：摘要明确研究纵向重复观测中多个响应的协方差和非平稳依赖结构。
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
纵向数据双变量边际模型的协方差结构建模
- 研究问题
- 双变量纵向数据同时具有跨响应及跨时间相关性时，如何降低协方差建模维度并满足正定性约束？
- 方法与思路
- 作者提出数据驱动的协方差参数化，以较低维、无约束且可解释的参数替代原参数，并采用最大似然估计。
- 材料陈述的贡献
- 摘要称均值与协方差参数的最大似然估计量一致且渐近正态，模拟和实际数据展示其处理双变量非平稳依赖的表现。
- 阅读关注点
- 核对参数变换如何保障正定性、降维依据与可解释性，并检查纵向观测设计、非平稳结构及渐近理论的条件。
- 阅读边界
- 仅据版本未注明的索引摘要，不能推断刊本变化；参数化细节与正则条件未给出，不能判断对任意双变量依赖结构均适用。
原文摘要
It can be more challenging to efficiently model the covariance matrices for multivariate longitudinal data than for the univariate case, due to the correlations arising between multiple responses. The positive-definiteness constraint and the high dimensionality are further obstacles in covariance modelling. In this paper, we develop a data-based method by which the parameters in the covariance matrices are replaced by unconstrained and interpretable parameters with reduced dimensions. The maximum likelihood estimators for the mean and covariance parameters are shown to be consistent and asymptotically normally distributed. Simulations and real data analysis show that the new approach performs very well even when modelling bivariate nonstationary dependence structures.