Correcting Measurement Error and Zero Inflation in Functional Covariates for Scalar-on-Function Quantile Regression
函数型协变量测量误差与零膨胀校正的标量对函数分位数回归AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要核心是在多个分位数水平上做联合分位数回归以评估协变量对结果分布的影响，直接对应“分位数与分布效应”这一细分方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
函数型协变量测量误差与零膨胀校正的标量对函数分位数回归
- 研究问题
- 摘要称，可穿戴设备收集的时变行为数据常同时存在测量误差与过量零值（因未佩戴、久坐或连接问题），且二者具有个体特异分布；现有统计方法无法同时处理这两个问题，作者要研究如何在标量对函数分位数回归中同时校正二者。
- 方法与思路
- 作者提出一个针对零膨胀且含误差函数型数据的建模框架，引入个体特异的时变有效性指示变量以区分结构零与内在取值；通过最大似然迭代估计潜在函数型协变量与零膨胀概率，用基展开和线性混合模型校正测量误差，并在多个分位数水平上做联合分位数回归以评估恢复出的潜在协变量的效应。
- 材料陈述的贡献
- 摘要称，模拟结果显示该方法的估计精度显著优于仅处理测量误差的方法，且联合估计相较分别拟合各分位数回归有实质改进；在儿童肥胖研究应用中，该方法有效校正了步数的零膨胀与测量误差，所得结果与能量消耗高度一致，支持将步数作为身体活动的代理变量。
- 阅读关注点
- 应核对：有效性指示变量与潜在协变量的识别条件及所需假设；最大似然迭代的收敛性与初值敏感性；基展开与线性混合模型的具体设定；联合分位数回归的估计与推断方式；模拟设计是否贴近真实零膨胀与误差结构；儿童肥胖应用中“与能量消耗高度一致”的量化依据与外部效度。
- 阅读边界
- 仅依据 arXiv 预印本摘要，未阅读全文，不能据此声称已通过同行评审或期刊接收；摘要未说明识别假设、定理、具体数据规模与数值结果、代码与可复现性，也未给出与替代方法的完整比较细节。
原文摘要
Wearable devices collect time-varying biobehavioral data, offering opportunities to investigate how behaviors influence health outcomes. However, these data often contain measurement error and excess zeros (due to nonwear, sedentary behavior, or connectivity issues), each characterized by subject-specific distributions. Current statistical methods fail to address these issues simultaneously. We introduce a novel modeling framework for zero-inflated and error-prone functional data by incorporating a subject-specific time-varying validity indicator that explicitly distinguishes structural zeros from intrinsic values. We iteratively estimate the latent functional covariates and zero-inflation probabilities via maximum likelihood, using basis expansions and linear mixed models to adjust for measurement error. To assess the effects of the recovered latent covariates, we apply joint quantile regression across multiple quantile levels. Through extensive simulations, we demonstrate that our approach significantly improves estimation accuracy over methods that only address measurement error, and joint estimation yields substantial improvements compared with fitting separate quantile regressions. Applied to a childhood obesity study, our approach effectively corrects for zero inflation and measurement error in step counts, yielding results that closely align with energy expenditure and supporting their use as a proxy for physical activity.