Variable Selection for Fixed and Random Effects in Multilevel Functional Mixed Effects Models
多层函数混合效应模型中的固定效应与随机效应变量选择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：摘要聚焦函数型混合效应模型的变量选择方法与应用，属于函数数据分析与高维统计方法，未涉及所提供领域细分中的因果推断、面板、时间序列或金融计量方向。
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…
多层函数混合效应模型中的固定效应与随机效应变量选择
- 研究问题
- 摘要称，研究目标是在多层函数回归模型中同时选择固定效应与随机效应，并应用于识别年龄与种族特异性的协变量效应对体力活动昼夜模式的影响。
- 方法与思路
- 作者提出 MuFuMES 方法：固定与随机函数效应用样条建模，对未知参数施加 spike-and-slab 组 lasso 先验，并通过期望条件最大化（ECM）算法进行 MAP 估计以实现混合效应选择。
- 材料陈述的贡献
- 摘要称该方法填补了现有函数-标量回归变量选择方法主要面向固定效应和单层函数数据的空白，模拟研究显示选择准确率令人满意、假阳性与假阴性率可忽略，并在 NHANES 2011-12 加速度计数据中识别出具有生物学意义的异质性。
- 阅读关注点
- 应核对模型设定与识别条件、SSGL 先验的具体形式、ECM 算法的收敛与调参方式、模拟设计及评价指标，以及 NHANES 应用中的样本、变量定义与结果稳健性。
- 阅读边界
- 仅凭摘要无法判断估计量的一致性、选择性质的理论保证、模拟的覆盖范围与真实数据结论的因果解释；摘要未说明计算复杂度与敏感性分析。该文为 arXiv 预印本，未经同行评审验证。
原文摘要
We develop a new method for simultaneously selecting fixed and random effects in a multilevel functional regression model. The proposed method is motivated by accelerometer-derived physical activity data from the 2011-12 cohort of the National Health and Nutrition Examination Survey (NHANES), where we are interested in identifying age and race-specific heterogeneity in covariate effects on the diurnal patterns of physical activity across the lifespan. Existing methods for variable selection in function-on-scalar regression have primarily been designed for fixed effect selection and for single-level functional data. In high-dimensional multilevel functional regression, the presence of cluster-specific heterogeneity in covariate effects could be detected through sparsity in fixed and random effects, and for this purpose, we propose a multilevel functional mixed effects selection (MuFuMES) method. The fixed and random functional effects are modelled using splines, with spike-and-slab group lasso (SSGL) priors on the unknown parameters of interest and a computationally efficient MAP estimation approach is employed for mixed effect selection through an Expectation Conditional Maximization (ECM) algorithm. Numerical analysis using simulation study illustrates the satisfactory selection accuracy of the variable selection method in having a negligible false-positive and false-negative rate. The proposed method is applied to the accelerometer data from the NHANES 2011-12 cohort, where it effectively identifies age and race-specific heterogeneity in covariate effects on the diurnal patterns of physical activity, recovering biologically meaningful insights.