Generalized Estimating Equations and Gaussian Estimation in Longitudinal Data Analysis
Notice bibliographique
Résumé
In this dissertation, we first develop a Gaussian estimation procedure for the estimation of regression parameters in correlated (longitudinal) binary response data using working correlation matrix and compare this method with the GEE (generalized estimating equations) method and the weighted GEE method. A Newton-Raphson algorithm is derived for estimating the regression parameters from the Gaussian likelihood estimating equations for known correlation parameters. The correlation parameters of the working correlation matrix are estimated by the method of moments. Consistency properties of the estimators are discussed. A simulation comparison of efficiency of the Gaussian estimates and the GEE estimates of the regression parameters shows that the Gaussian estimates using the unstructured correlation matrix of the responses for a subject are, in general, more efficient than those by the other methods compared. The next best are the Gaussian estimates using the general autocorrelation structure. Two data sets are analyzed and a discussion is given. The main advantage of GEE is its asymptotic unbiased estimation of the marginal regression coefficients even if the correlation structure is misspecified. However, the technique requires that the sample size should be large. In this dissertation, two bias corrected GEE estimators of the regression parameters in longitudinal data are proposed when the sample size is small. Simulations show that the proposed methods do well in reducing bias and have, in general, higher efficiency than the GEE estimates. Two examples are analyzed and a discussion is given. The current GEE method focuses on the modeling of the working correlation matrix assuming a known variance function. However, Wang and Lin (2005) showed that if the variance function is misspecified, the correct choice of the correlation structure may not necessarily improve estimation efficiency for the regression parameters. In this dissertation, we propose a GEE approach to estimate the variance parameters when the form of the variance function is known. This estimation approach borrows the idea of Davidian and Carroll (1987) by solving a non-linear regression problem where residuals are regarded as the responses and the variance function is regarded as the regression function. Simulations show that the proposed method performs as well as the modified pseudolikelihood approach developed by Wang and Zhao (2007).
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 | 0,056 | 0,129 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,004 |
| Bibliométrie | 0,005 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».