Inferences in generalized linear longitudinal mixed models
Notice bibliographique
Résumé
Abstract Without realizing the fact that the time‐dependent covariates corresponding to the repeated discrete responses under a generalized linear longitudinal model (GLLM) cause non‐stationary (time dependent) correlations for the repeated responses, many existing studies use a stationary (either “working” or true) correlation structure to develop certain estimating equations for the regression effects involved in the model. By constructing suitable non‐stationary correlation structures both for longitudinal count and binary data, this article first demonstrates that the stationary correlations based estimation approaches may yield inefficient regression estimates. For efficient estimation, the article then suggests a true non‐stationary correlation structure based generalized quasi‐likelihood (GQL) estimation approach, where non‐stationary correlation structure is identified by exploiting the estimated lag correlations of the responses. A generalization of the GLLM to the familial‐longitudinal set up both for count and binary data is also discussed, where the data exhibit familial as well as non‐stationary longitudinal correlations, the familial correlations among the responses of the family members are being generated through a random common family effect. The GQL estimating equations are provided for the estimation of the regression and the variance component parameters of this generalized linear longitudinal mixed model (GLLMM), whereas the longitudinal correlations are estimated by solving suitable moment estimating equations. The Canadian Journal of Statistics 38: 174–196; 2010 © 2010 Statistical Society of Canada
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,085 | 0,329 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,004 |
| Bibliométrie | 0,005 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,005 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».