Least squares-based methods to bias adjustment in scalar-on-function regression model using a functional instrumental variable
利用函数型工具变量校正标量对函数回归偏差的最小二乘方法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：摘要聚焦函数型回归中的测量误差与健康关联，未明确对应所列细分领域，工具变量本身不足以支持因果分类。
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…
利用函数型工具变量校正标量对函数回归偏差的最小二乘方法
- 研究问题
- 当标量结果对应的函数型解释变量存在测量误差时，如何利用函数型工具变量校正偏差，并处理时间相关性与计算负担？
- 方法与思路
- 作者以函数型工具变量识别标量对函数线性模型，提出两种最小二乘偏差校正方法，并处理跨时间的潜在序列相关。
- 材料陈述的贡献
- 摘要称模拟中两种方法较现有方法运行更快、偏差及平均积分均方误差更低，并用于分析身体活动强度与体重指数的关联。
- 阅读关注点
- 应核对工具变量有效性与模型识别条件、函数表示及正则化方式、序列相关处理方法，以及模拟比较是否采用一致设置。
- 阅读边界
- 所给版本为 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明工具变量条件，所述关联不能直接解释为因果效应。
原文摘要
Instrumental variables are widely used to adjust for measurement error bias when assessing associations of health outcomes with ME prone independent variables. IV approaches addressing ME in longitudinal models are well established, but few methods exist for functional regression. We develop two methods to adjust for ME bias in scalar on function linear models. We regress a scalar outcome on an ME prone functional variable using a functional IV for model identification and propose two least squares based methods to adjust for ME bias. Our methods alleviate potential computational challenges encountered when applying classical regression calibration methods for bias adjustment in high dimensional settings and adjust for potential serial correlations across time. Simulations demonstrate faster run times, lower bias, and lower AIMSE for the proposed methods when compared to existing approaches. The proposed methods were applied to investigate the association between body mass index and wearable device-based physical activity intensity among community dwelling adults living in the United States.