针对具有信息性聚类大小的高维纵向数据的带惩罚加权 GEE
统计方法学
2025-01-03 v1
摘要
近年来，高维纵向数据在研究中日益普遍，通常使用带惩罚的广义估计方程（GEE）对此类数据进行建模。然而，当感兴趣的结果与聚类大小相关时，GEE 方法的理想性质可能会遭到破坏，这种现象被称为信息性聚类大小。本文通过表征信息性聚类大小的影响并提出一种新颖的加权 GEE 方法来缓解其影响，同时将其带惩罚版本扩展至高维场景，从而解决了这一问题。我们证明了带惩罚加权 GEE 方法在模型选择和估计方面均能实现一致性。在理论上，我们证明了在假设真实模型已知的情况下，所提出的带惩罚加权 GEE 估计量渐近等价于 oracle 估计量。这一结果表明，带惩罚加权 GEE 方法保留了 GEE 方法的优良性质，且对信息性聚类大小具有鲁棒性，从而扩展了其对高度复杂情况的适用性。模拟实验和实际数据应用进一步表明，带惩罚加权 GEE 优于现有的替代方法。
引用
@article{arxiv.2501.00839,
title = {Penalized weighted GEEs for high-dimensional longitudinal data with informative cluter size},
author = {Yue Ma and Haofeng Wang and Xuejun Jiang},
journal= {arXiv preprint arXiv:2501.00839},
year = {2025}
}