具有时变协变量的纵向数据中广义矩方法的经验 KLIC 惩罚模型选择

模型选择在纵向数据分析中起着重要作用，尤其是在存在时变协变量的情况下使用广义矩方法（GMM）估计模型时。在这种设置下，有效矩条件的数量可能迅速增长，并可能导致模型过度参数化。Kullback--Leibler 信息准则（KLIC）已被提出作为该框架的模型选择工具；然而，当参数数量或有效矩条件增加时，原始的 KLIC 准则可能偏向过于复杂的模型。为了解决这一局限性，本研究提出了两种惩罚版 KLIC，它们结合了基于模型参数数量和有效矩条件数量的惩罚。所提出的准则被称为矩-参数乘积惩罚 KLIC（MPPP--KLIC）和对数惩罚 KLIC（LP--KLIC）。这些准则为在基于 GMM 的纵向模型中平衡模型拟合度与模型复杂性提供了一种理论驱动的机制。通过涉及二元和连续响应设置的广泛模拟研究，结果表明所提出的准则提高了 KLIC 区分竞争模型的能力，并减少了对过度参数化模型的选择。使用菲律宾儿童发病率数据集（一项在菲律宾进行的儿童健康纵向研究）进一步说明了所提出方法的性能。结果表明，所提出的惩罚准则提供了稳定且可解释的模型排名，并一致地将年龄确定为儿童发病率的最重要预测因子。总体而言，所提出的惩罚 KLIC 准则为在具有时变协变量的基于 GMM 的纵向数据分析中的模型选择提供了实用且理论基础充分的工具。