Adaptive Penalized Doubly Robust Regression for Longitudinal Data
纵向数据的自适应惩罚双稳健回归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：摘要明确针对纵向线性混合效应模型与随机效应、方差成分，属于面板/纵向数据建模方向；其余候选细分未在摘要中出现直接文本依据。
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…
纵向数据的自适应惩罚双稳健回归
- 研究问题
- 摘要称，纵向数据常存在异质性、稀疏信号以及响应离群值或高杠杆观测的污染，而现有方法通常只处理其中一部分：要么侧重惩罚混合效应建模但不稳健，要么侧重稳健混合效应估计但不做高维变量选择。
- 方法与思路
- 作者提出双自适应稳健回归（DAR-R）框架，用于纵向线性混合效应模型，结合稳健初始拟合、针对残差离群值与杠杆点的双自适应观测权重、用于固定效应选择的折叠加凹惩罚，并对随机效应与方差成分做加权更新；同时给出迭代重加权算法。
- 材料陈述的贡献
- 摘要称作者建立了估计与预测误差界、支撑恢复相合性以及 oracle 型渐近正态性；模拟显示 DAR-R 在垂直离群值和坏杠杆污染下改善估计精度、假阳性控制与协方差估计；在 TADPOLE/ADNI 阿尔茨海默病应用中，DAR-R 对 ADAS13 实现准确稳定预测，并选出具有较强重抽样稳定性的临床相关预测变量。
- 阅读关注点
- 应核对稳健初始拟合与双自适应权重的具体构造、折叠加凹惩罚的形式与调参方式、迭代重加权算法的收敛条件，以及误差界、支撑恢复与 oracle 渐近正态性所依赖的识别假设与正则条件；并核对模拟设计与 ADNI 应用中预测与变量选择的评估细节。
- 阅读边界
- 仅依据摘要，无法判断定理假设是否合理、算法是否收敛、模拟与实证结果是否可复现，也无法核实与既有方法的比较是否公平；摘要未说明具体样本量、数据版本与实现细节。该文为 arXiv 预印本，同行评审与期刊接收情况未经核实。
原文摘要
Longitudinal data often involve heterogeneity, sparse signals, and contamination from response outliers or high-leverage observations especially in biomedical science. Existing methods usually address only part of this problem, either emphasizing penalized mixed effects modeling without robustness or robust mixed effects estimation without high-dimensional variable selection. We propose a doubly adaptive robust regression (DAR-R) framework for longitudinal linear mixed effects models. It combines a robust pilot fit, doubly adaptive observation weights for residual outliers and leverage points, and folded concave penalization for fixed effect selection, together with weighted updates of random effects and variance components. We develop an iterative reweighting algorithm and establish estimation and prediction error bounds, support recovery consistency, and oracle-type asymptotic normality. Simulations show that DAR-R improves estimation accuracy, false-positive control, and covariance estimation under both vertical outliers and bad leverage contamination. In the TADPOLE/ADNI Alzheimer's disease application, DAR-R achieves accurate and stable prediction of ADAS13 while selecting clinically meaningful predictors with strong resampling stability.