Influence Diagnostics for Linear Longitudinal Models
线性纵向模型的影响诊断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：摘要明确研究包含固定或随机个体效应的纵向模型，并以纳税人的重复观测应用，直接对应微观面板数据。
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
线性纵向模型的影响诊断
- 研究问题
- 纵向回归中同一个体的多次观测相互相关，如何评估删除整个个体后，对总体参数估计产生的共同影响？
- 方法与思路
- 作者在固定和随机个体效应模型下采用个体删除法，构造部分影响统计量，并提供便于实施的计算公式。
- 材料陈述的贡献
- 摘要称提出适用于相关观测组的影响诊断，刻画单个个体对总体参数的作用，并用纳税人慈善捐赠数据示范。
- 阅读关注点
- 阅读时应核对固定与随机效应下的诊断定义、删除个体后的参数变化，以及计算公式和捐赠数据应用的解释。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；模型条件、诊断阈值与应用结果未说明，影响较大也不能直接认定为异常个体。
原文摘要
Influence diagnostics are important for analyzing cross-sectional regression studies, because they allow the analyst to understand the impact of individual observations on the estimated regression model. In this article we consider the role of influence diagnostics in subject-specific longitudinal models. Diagnostics are proposed under both fixed and random subject effects. Our approach is based on subject deletion, which in this setting involves deleting a group of correlated observations. We develop partial influence statistics to understand the combined impact of observations from a subject on population parameters. Simple computational formulas make the procedures feasible. Finally, we illustrate the use of our new influence statistics by examining a dataset to model a taxpayer's charitable givings.