Access

You are not currently logged in.

Access your personal account or get JSTOR access through your library or other institution:

login

Log in to your personal account or through your institution.

If You Use a Screen Reader

This content is available through Read Online (Free) program, which relies on page scans. Since scans are not currently available to screen readers, please contact JSTOR User Support for access. We'll provide a PDF copy for your screen reader.

A Survey of Methods for Analyzing Clustered Binary Response Data

Jane F. Pendergast, Stephen J. Gange, Michael A. Newton, Mary J. Lindstrom, Mari Palta and Marian R. Fisher
International Statistical Review / Revue Internationale de Statistique
Vol. 64, No. 1 (Apr., 1996), pp. 89-118
DOI: 10.2307/1403425
Stable URL: http://www.jstor.org/stable/1403425
Page Count: 30
  • Read Online (Free)
  • Download ($12.00)
  • Subscribe ($19.50)
  • Cite this Item
Since scans are not currently available to screen readers, please contact JSTOR User Support for access. We'll provide a PDF copy for your screen reader.
A Survey of Methods for Analyzing Clustered Binary Response Data
Preview not available

Abstract

A comprehensive survey of regression-type models for clusters of correlated binary outcomes, including longitudinal data, is presented. In particular, we focus on models which can accommodate both between- and within-cluster categorical and continuous covariates. Emphasis is given to motivation of the model specification, interrelationships among models, parameter testing and interpretation, estimation methods (including both likelihood and non-likelihood approaches), computational issues, availability of software and other implementation issues, and to the advantages and disadvantages of the various approaches. Models discussed include naïve and response feature models, conditionally specified models, marginal models, and cluster-specific models. Extensions to ordinal data and relationships to graphical representations of models are also discussed. /// Une étude exhaustive sur les problèmes de classification basées sur des modèles de régression appliqués à des données binaires corrélées (y inclus le cas de connées longitudinales) est présenté. En particulier, on se concentre sur les modèles pouvant incorporer à la fois des variables explicatives à l'intérieur des classes et entre les classes que ces variables soient catégorielles ou continues. Une emphase est mise sur les thèmes suivants: la motivation associées aux spécifications du modèle, les connexions parmi les modèles, les tests concernant les paramètres et leurs interprétations, les méthodes d'estimation (incluant les méthodes basées sur la vraisemblance et celles qui ne le sont pas), les problèmes reliés aux calculs, la disponibilité de logiciels, les avantages et les défauts de certaines approches. Les modèles discutés comprennent ceux où les réponses sont naïves et ceux dont les réponses sont prédeterminées, les modèles conditionnellement fixés, les modèles marginalement fixés, les modèles où les classes sont prédéterminées à l'avance. Des extensions aux données ordinales et des relations avec les représentations graphiques sont aussi discutées.

Page Thumbnails

  • Thumbnail: Page 
[89]
    [89]
  • Thumbnail: Page 
90
    90
  • Thumbnail: Page 
91
    91
  • Thumbnail: Page 
92
    92
  • Thumbnail: Page 
93
    93
  • Thumbnail: Page 
94
    94
  • Thumbnail: Page 
95
    95
  • Thumbnail: Page 
96
    96
  • Thumbnail: Page 
97
    97
  • Thumbnail: Page 
98
    98
  • Thumbnail: Page 
99
    99
  • Thumbnail: Page 
100
    100
  • Thumbnail: Page 
101
    101
  • Thumbnail: Page 
102
    102
  • Thumbnail: Page 
103
    103
  • Thumbnail: Page 
104
    104
  • Thumbnail: Page 
105
    105
  • Thumbnail: Page 
106
    106
  • Thumbnail: Page 
107
    107
  • Thumbnail: Page 
108
    108
  • Thumbnail: Page 
109
    109
  • Thumbnail: Page 
110
    110
  • Thumbnail: Page 
111
    111
  • Thumbnail: Page 
112
    112
  • Thumbnail: Page 
113
    113
  • Thumbnail: Page 
114
    114
  • Thumbnail: Page 
115
    115
  • Thumbnail: Page 
116
    116
  • Thumbnail: Page 
117
    117
  • Thumbnail: Page 
118
    118