Nonstationary longitudinal autoregressive mixed model for count data with measurement error in covariates: Estimation and asymptotics
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle