Nonstationary longitudinal autoregressive mixed model for count data with measurement error in covariates: Estimation and asymptotics
Notice bibliographique
Résumé
Several methods have been proposed in the literature for computing unbiased and efficient estimates of the parameters of generalized linear models when the covariates are measured with error. However, to our knowledge, no documented research on computational techniques for parameter estimation currently exist in the literature when the data is a longitudinal count data influenced by an unobservable latent variable and observable covariates that are measured with error. In this paper, we propose a nonstationary conditionally Poisson mixed model for such data and develop unbiased estimating equations with iterative methods for computing estimates of the effect of the covariates, variance of the latent variable, and the correlation index parameter. The performance of the iterative methods is examined through extensive simulation studies. The results show that the methods performed well when the magnitude of the measurement error is not so large as to dominate or mask the effect of the true covariates. Using observed longitudinal count data on the number of patents awarded to 168 firms in the United States from 1974 to 1979 along with associated covariate information on the type of firm, log of the book value of capital in 1972 and research and development (R & D) expenditures we have demonstrated how the methods proposed in this paper can be applied to a real data. In addition, we derive the influence function of the estimator of the covariate effect and discuss the asymptotic properties of the estimator. Journal of Statistical Research 2024, Vol. 58, No. 1, pp. 151-180.
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 | 0,036 | 0,100 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,005 | 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 ».