Inference for covariate adjusted regression via varying coefficient models
通过变系数模型进行协变量调整回归推断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：摘要研究乘性观测扭曲下的回归调整与推断，未明确估计因果效应、结构参数或其他所列细分领域的目标。
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
通过变系数模型进行协变量调整回归推断
- 研究问题
- 当预测变量与响应均受到可观测协变量相关的未知乘性扭曲时，如何推断未被扭曲且无法直接观测的原始回归关系？
- 方法与思路
- 作者构造灵活的协变量调整方法，通过与变系数模型的联系建立参数估计渐近正态性，再以一致方差估计构造置信区间。
- 材料陈述的贡献
- 摘要称提供原始回归系数的渐近分布与置信区间方法，并通过血清肌酐数据展示应用，用模拟考察有限样本性质。
- 阅读关注点
- 应核对乘性扭曲模型的识别约束、各扭曲函数的估计、变系数模型联系，以及方差估计和区间覆盖的条件与表现。
- 阅读边界
- 依据稿件版本未注明的 OpenAlex 索引摘要；摘要未给出恢复原始关系的具体识别条件，协变量调整也不能直接解释为因果识别。
原文摘要
We consider covariate adjusted regression (CAR), a regression method for situations where predictors and response are observed after being distorted by a multiplicative factor. The distorting factors are unknown functions of an observable covariate, where one specific distorting function is associated with each predictor or response. The dependence of both response and predictors on the same confounding covariate may alter the underlying regression relation between undistorted but unobserved predictors and response. We consider a class of highly flexible adjustment methods for parameter estimation in the underlying regression model, which is the model of interest. Asymptotic normality of the estimates is obtained by establishing a connection to varying coefficient models. These distribution results combined with proposed consistent estimates of the asymptotic variance are used for the construction of asymptotic confidence intervals for the regression coefficients. The proposed approach is illustrated with data on serum creatinine, and finite sample properties of the proposed procedures are investigated through a simulation study.