Functional hybrid factor regression model for handling heterogeneity in imaging studies
处理影像研究异质性的函数型混合因子回归模型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：摘要中的因子模型服务于影像数据整合，未提供归入宏观因子或金融因子方向的文本依据。
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…
处理影像研究异质性的函数型混合因子回归模型
- 研究问题
- 多中心或多研究影像数据中的环境、群体、设计及潜在因素差异，如何在整合分析中建模并纳入参数估计与推断？
- 方法与思路
- 作者提出函数型混合因子回归框架，设计未知参数估计与未知因子检测程序，研究渐近性质，并开展模拟和海马表面数据分析。
- 材料陈述的贡献
- 摘要称，该框架用于处理大规模影像研究的异质性，系统考察估计和推断的渐近性质，并以模拟及真实数据评估有限样本表现。
- 阅读关注点
- 应核对函数型响应与因子的定义、研究间异质性结构、模型可识别性、因子检测规则，以及渐近理论采用的样本增长方式。
- 阅读边界
- 仅据所给Crossref摘要，无法判断不同异质性来源能否被区分、因子检测的可靠性或实证收益；摘要未给出数值结果。
原文摘要
Summary This paper develops a functional hybrid factor regression modelling framework to handle the heterogeneity of many large-scale imaging studies, such as the Alzheimer’s disease neuroimaging initiative study. Despite the numerous successes of those imaging studies, such heterogeneity may be caused by the differences in study environment, population, design, protocols or other hidden factors, and it has posed major challenges in integrative analysis of imaging data collected from multicentres or multistudies. We propose both estimation and inference procedures for estimating unknown parameters and detecting unknown factors under our new model. The asymptotic properties of both estimation and inference procedures are systematically investigated. The finite-sample performance of our proposed procedures is assessed by using Monte Carlo simulations and a real data example on hippocampal surface data from the Alzheimer’s disease study.