[论文解读] On large-sample estimation and testing via quadratic inference functions for correlated data

Ramani S. Pilla, Catherine Loader|ArXiv.org|May 17, 2005

Advanced Statistical Methods and Models参考文献 14被引用 5

一句话总结

本文為相關資料分析中的二次推斷函數（QIF）建立了統一的大樣本理論，提出了一種穩定的擴展得分函數協方差估計器，並推導了估計與檢定的漸近性質。主要貢獻在於提出了一種一致的二次近似，確保即使在相關結構設定錯誤時仍具備強健性與效率，模擬結果顯示使用單位相關矩陣時統計功效損失極小。

ABSTRACT

Hansen (1982) proposed a class of "generalized method of moments" (GMMs) for estimating a vector of regression parameters from a set of score functions. Hansen established that, under certain regularity conditions, the estimator based on the GMMs is consistent, asymptotically normal and asymptotically efficient. In the generalized estimating equation framework, extending the principle of the GMMs to implicitly estimate the underlying correlation structure leads to a "quadratic inference function" (QIF) for the analysis of correlated data. The main objectives of this research are to (1) formulate an appropriate estimated covariance matrix for the set of extended score functions defining the inference functions; (2) develop a unified large-sample theoretical framework for the QIF; (3) derive a generalization of the QIF test statistic for a general linear hypothesis problem involving correlated data while establishing the asymptotic distribution of the test statistic under the null and local alternative hypotheses; (4) propose an iteratively reweighted generalized least squares algorithm for inference in the QIF framework; and (5) investigate the effect of basis matrices, defining the set of extended score functions, on the size and power of the QIF test through Monte Carlo simulated experiments.

研究动机与目标

• 為QIF框架中擴展得分函數的準確估計協方差矩陣進行制定。
• 發展QIF估計與檢定的全面大樣本理論框架。
• 推導QIF檢定統計量在相關資料下線性假設檢定的一般化形式。
• 提出一種迭代加權廣義最小平方法，以進行QIF推斷。
• 透過蒙地卡羅模擬評估基底矩陣對QIF檢定大小與功效的影響。

提出的方法

• 本文引入QIF曲面在真實參數向量β₀附近的統一二次近似，以支援漸近理論的發展。
• 推導出擴展得分函數協方差矩陣的一致估計器，修正了先前QIF設定中的缺陷。
• 將QIF檢定統計量推廣至線性假設，並證明其在虛無假設與局部替代假設下均具有漸近卡方形態。
• 提出一種迭代加權廣義最小平方法，以有效且穩定地計算QIF估計量。
• 理論結果建立在廣義矩方法（GMM）框架之上，將Hansen（1982）的GMM擴展至隱含估計相關結構。
• 使用蒙地卡羅模擬評估QIF檢定在不同相關結構與機率分配下，對基底矩陣設定錯誤的強健性。

实验结果

研究问题

• RQ1 當基底矩陣設定錯誤時，所提出的QIF框架是否仍維持漸近有效性？
• RQ2 基底矩陣的選擇如何影響QIF檢定統計量的大小與功效？
• RQ3 能否利用統一的大樣本理論，推導出穩定且有效的QIF估計量？
• RQ4 在虛無假設與局部替代假設下，QIF檢定統計量的漸近分配為何？
• RQ5 QIF在不同相關結構（如AR-1、交換性與單位矩陣）下的表現如何？

主要发现

• 即使基底矩陣設定錯誤，QIF檢定統計量在虛無假設下仍維持漸近卡方形態，顯示其強健性。
• 模擬結果顯示，所有相關結構與機率分配下，QIF檢定的大小均接近名目水準5%。
• 隨著相關係數ρ增加，統計功效下降，但AR-1、AR-2與單位結構之間的功效差異極小，顯示設定錯誤時功效損失可忽略。
• 在單位基底下，估計的非非 centrality 參數略低，但此差異未反映在有限樣本功效中，顯示實務上的強健性。
• 非非 centrality 參數的估計結果確認，即使工作相關結構設定錯誤，QIF框架仍維持良好的效率。
• 所提出的擴展得分函數協方差估計器穩定了漸近理論，解決了早期QIF設定中的問題。