Iterative estimating equations: Linear convergence and asymptotic properties
迭代估计方程：线性收敛与渐近性质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：摘要明确针对纵向数据及观测间协方差建模，与面板和重复观测数据方法直接相关。
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
迭代估计方程：线性收敛与渐近性质
- 研究问题
- 纵向数据中，观测间协方差未指定时，如何通过迭代估计方程拟合半参数回归，并兼顾计算收敛与统计效率？
- 方法与思路
- 作者提出迭代估计方程程序，用于协方差未指定的半参数回归；在线性模型中，程序化为迭代重加权最小二乘。
- 材料陈述的贡献
- 摘要称，在较温和条件下，指数速度收敛的概率随样本量增大趋于一，极限估计量一致且渐近有效，并提供模拟与医学示例。
- 阅读关注点
- 应核对收敛条件和初始化要求、协方差的处理方式、渐近效率参照的模型，以及迭代停止误差与统计误差的关系。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；温和条件和效率界未给出，模拟比较也未报告数值，不能推断任意纵向模型均适用。
原文摘要
We propose an iterative estimating equations procedure for analysis of longitudinal data. We show that, under very mild conditions, the probability that the procedure converges at an exponential rate tends to one as the sample size increases to infinity. Furthermore, we show that the limiting estimator is consistent and asymptotically efficient, as expected. The method applies to semiparametric regression models with unspecified covariances among the observations. In the special case of linear models, the procedure reduces to iterative reweighted least squares. Finite sample performance of the procedure is studied by simulations, and compared with other methods. A numerical example from a medical study is considered to illustrate the application of the method.