Covariate adjusted functional principal components analysis for longitudinal data
纵向数据的协变量调整函数主成分分析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：摘要明确处理随时间重复采样的纵向数据，包括稀疏不规则观测，因此与面板数据方向直接相关，核心方法是函数主成分分析。
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
纵向数据的协变量调整函数主成分分析
- 研究问题
- 函数主成分分析如何纳入协变量信息，并处理测量误差以及稀疏、不规则时间点上的纵向观测，调整深度又如何影响计算？
- 方法与思路
- 作者提出两种协变量调整方法：一种同时调整均值与协方差函数，另一种仅调整均值，均覆盖规则网格与稀疏不规则观测。
- 材料陈述的贡献
- 摘要称，为两种方法发展了一般渐近理论，并通过模拟和数据比较其表现；同时调整均值与协方差更灵活但计算更繁重。
- 阅读关注点
- 应核对协变量进入均值与协方差的方式、稀疏观测和测量误差条件，以及两种方案的理论要求、计算负担和数值比较。
- 阅读边界
- 依据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明观测机制与收敛条件，纵向函数分析也不能直接解释为面板因果效应。
原文摘要
Classical multivariate principal component analysis has been extended to functional data and termed functional principal component analysis (FPCA). Most existing FPCA approaches do not accommodate covariate information, and it is the goal of this paper to develop two methods that do. In the first approach, both the mean and covariance functions depend on the covariate Z and time scale t while in the second approach only the mean function depends on the covariate Z. Both new approaches accommodate additional measurement errors and functional data sampled at regular time grids as well as sparse longitudinal data sampled at irregular time grids. The first approach to fully adjust both the mean and covariance functions adapts more to the data but is computationally more intensive than the approach to adjust the covariate effects on the mean function only. We develop general asymptotic theory for both approaches and compare their performance numerically through simulation studies and a data set.