Non-Parametric Heteroscedastic Transformation Regression Models for Skewed Data With an Application to Health Care Costs
偏态数据的非参数异方差变换回归模型及医疗费用应用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。
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：摘要研究通用变换回归和条件均值预测，未明确涉及分位数、分布效应或其他所列细分方向。
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…
关注这篇论文的作者
偏态数据的非参数异方差变换回归模型及医疗费用应用
- 研究问题
- 当患者结局高度偏态且方差异质时，如何依据患者协变量预测原始结局的条件期望，同时减少对变换和误差分布的预设？
- 方法与思路
- 作者提出非参数异方差变换回归，使变换函数与误差分布函数均可未知，研究估计量收敛，并开展模拟和医疗费用应用。
- 材料陈述的贡献
- 摘要称，若干正则条件下参数、原始结局期望和变换函数估计具有给定收敛速度，模拟显示稳健性且效率损失较小。
- 阅读关注点
- 应核对模型可识别性、异方差结构、正则条件与期望预测的构造，并检查模拟中稳健性和效率所针对的比较方法。
- 阅读边界
- 仅依据所给 Crossref 摘要；收敛速度的上标排版需查原文，正则条件与稳健性范围未说明，不能据此判断医疗费用预测的普遍表现。
原文摘要
Summary We develop a new non-parametric heteroscedastic transformation regression model for predicting the expected value of the outcome of a patient with given patient's covariates when the distribution of the outcome is highly skewed with a heteroscedastic variance. In our model, we allow both the transformation function and the error distribution function to be unknown. We show that under some regularity conditions the estimators for regression parameters, the expected value of the original outcome and the transformation function converge to their true values at the rate n−1/2. In our simulation studies, we demonstrate that our proposed non-parametric method is robust with little loss of efficiency. Finally, we apply our model to a study on health care costs.