用于（修正）簇内重采样的新非负方差估计量
统计方法学
2019-12-02 v1
摘要
本文针对分析纵向数据的两种已有方法——簇内重采样（WCR）与修正簇内重采样（MWCR）——提出一种新方差估计量。WCR 是一种简单但计算密集的方法，其中从每个簇随机抽取单个观测以构成新数据集。该过程重复多次，且在每个重采样数据集（或输出集）中，我们用广义线性模型计算 beta。最终估计量为所有输出集估计值的平均。MWCR 是 WCR 的扩展，可考虑数据集的簇内相关性；因此存在两个值得注意的区别：1）在 MWCR 中，每个重采样数据集通过对每个簇无放回随机抽取多个观测构成；2）使用广义估计方程（GEE）估计感兴趣参数。尽管 WCR 与 MWCR 实现相对简单，一个关键挑战是所提基于矩的估计量在实践中常为负值。我们的修正方差估计量不仅严格为正，且模拟显示其保持了 I 类错误并能使 MWCR 相关的统计功效增益得以实现。
引用
@article{arxiv.1911.12882,
title = {Novel Non-Negative Variance Estimator for (Modified) Within-Cluster Resampling},
author = {Daniel Xu and Pamela Shaw and Ian Barnett},
journal= {arXiv preprint arXiv:1911.12882},
year = {2019}
}
备注
6 pages, 4 figures