×
陈子奇;唐曼来;高伟

纵向数据分析的剖面似然方法。 （英语） Zbl 1415.62089号

生物计量学 74，第1期，220-228（2018）.
摘要：广义估计方程（GEE）中工作相关结构的选择不当会导致参数估计效率低下，而似然法中不切实际的正态性假设会限制其在纵向数据分析中的适用性。在本文中，我们提出了一种通过最大化估计似然来估计纵向数据分析中参数的剖面似然方法。所提出的方法在没有工作相关性结构或潜在误差分布规范的情况下，得到一致且有效的估计。理论和仿真结果都证实了该方法的良好性能。我们用舒张压数据集来说明我们的方法。

引用于1文件

MSC公司：

62页第10页 统计学在生物学和医学中的应用；元分析
62H20个 关联度量（相关性、典型相关性等）

关键词：

广义估计方程;核估计;改进的Cholesky分解;剖面似然;相关结构
PDF格式BibTeX公司 XML格式引用
\textit{Z.Chen}等人，《生物计量学》74，第1期，第220-228页（2018；Zbl 1415.62089）
全文： 内政部

参考文献：

[1] Chen，Z.、Tang，M.L.、Gao，W.和Shi，N.Z。(2014). 线性回归模型的新稳健变量选择方法。{斯堪的纳维亚统计杂志}41，725-741·Zbl 1309.62122号
[2] Diggle，P.J.、Heagerty，P.J.、Liang，K.Y.和Zeger，S.L.（2002年）。纵向数据分析。纽约：牛津大学出版社。
[3] Duin，R.P.W.（1976年）。概率密度函数Parzen估计的平滑参数的选择。{IEEE计算机学报}251175-1179·Zbl 0359.93035号
[4] Fan，J.、Huang，T.和Li，R.（2007）。协方差函数半参数估计的纵向数据分析。{美国统计协会杂志}102，632-641·Zbl 1172.62323号
[5] Leung，D.H.Y.、Wang，Y.G.和Zhu，M.（2009）。使用混合GEE方法进行纵向数据分析中的有效参数估计。{生物统计学}10436-445·Zbl 1437.62523号
[6] Lian，H.、Liang，H.和Wang，L.（2014）。基于GEE的具有发散协变量数的聚类数据的广义加性部分线性模型。{中国统计}24173-196·Zbl 1285.62080号
[7] Liang，K.Y.和Zeger，S.L.（1986）。使用广义线性模型进行纵向数据分析。{\it Biometrika}73，13-22·Zbl 0595.62110号
[8] Lin，X.和Carroll，R.J.（2006）。一般重复测度问题中的半参数估计。{皇家统计学会杂志，B辑}68，69-88·Zbl 1141.62026号
[9] Linton，O.、Sperlich，S.和Van Keilegom，I.（2008）。半参数变换模型的估计。{统计学年鉴}36，686-718·Zbl 1133.62029号
[10] Lombardia，M.J.和Sperlich，S.（2008）。广义混合效应模型中的半参数推断。{皇家统计学会杂志，B辑}70913-930·Zbl 1411.62085号
[11] Mardia，K.V.（1974年）。多元偏度和峰度的一些度量在检验正态性和稳健性研究中的应用。{it Sankhy A}第36页，第115-128页·Zbl 0345.62031号
[12] Newey，W.K.和McFadden，D.（1994年）。大样本估计和假设检验。在《计量经济学手册》中，R.F.Engle和D.McFadden（编辑），4，2111-2245。阿姆斯特丹：爱思唯尔科学。
[13] Pourahmadi，M.（1999）。应用于纵向数据的联合平均协方差模型：无约束参数化。{\it Biometrika}86，677-690·Zbl 0949.62066号
[14] Pourahmadi，M.（2000年）。多元正态协方差矩阵广义线性模型的最大似然估计。{生物特征}87，425-435·Zbl 0954.62091号
[15] Qin，J.和Lawless，J.（1994）。经验似然和一般估计方程。{统计年鉴}22，300-325·Zbl 0799.62049号
[16] Qu，A.、Lindsay，B.和Li，B.（2000）。使用二次推理函数改进广义估计方程。{\it Biometrika}87，823-836·Zbl 1028.62045号
[17] Reule，S.，Drawz，P.E.（2012年）。心率和血压：对高血压管理有什么可能的影响？{当前高血压报告}14，478-484。
[18] Robins，J.M.和Rotnitzky，A.（1995年）。缺失数据的多元回归模型的半参数效率。{美国统计协会杂志}90122-129·Zbl 0818.62043号
[19] Rothman，A.、Levina，L.和Zhu，J.（2010）。基于Cholesky的高维协方差正则化的新方法。{\it Biometrika}97，539-550·Zbl 1195.62089号
[20] Rubin，D.B.（1987）。调查无响应的多重插补。纽约：Wiley。
[21] Wang，L.（2011）。协变量数目不同的聚类二进制数据的GEE分析。{统计年鉴}39，389-417·Zbl 1209.62138号
[22] Wang，Y.G.和Carey，V.（2003年）。工作相关结构错误指定、估计和协变量设计：广义估计方程性能的含义。{\it Biometrika}90，29-41·Zbl 1035.62074号
[23] Wang，N.、Carroll，R.J.和Lin，X.（2005）。纵向/聚类数据的有效半参数边际估计。{美国统计协会杂志}100，147-157·Zbl 1117.62440号
[24] Xie，M.和Yang，Y.（2003）。大簇尺寸广义估计方程的渐近性。{《统计年鉴》}31，310-347·Zbl 1018.62019号
[25] Ye，H.和Pan，J.（2006）。纵向数据广义估计方程中协方差结构的建模。{\it Biometrika}93，927-941·兹比尔1436.62348
[26] Zhang，W.和Leng，C.（2012）。纵向数据协方差建模中的移动平均Cholesky因子模型。{\it Biometrika}99，141-150·Zbl 1234.62111号
[27] Zhang，X.和Wang，J.（2016）。从稀疏到感知功能数据以及其他。{《统计年鉴》}442281-2321·Zbl 1349.62161号
[28] Zhou，J.和Qu，A.（2012）。纵向数据相关结构的信息估计和选择。{美国统计协会杂志}107，701-710·Zbl 1261.62054号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。