Linking COPD Prevalence with Income Distribution: A Spatial Heterogeneous Compositional Regression via Geographically Weighted Penalized Approach
收入分布与COPD患病率的空间异质成分回归：地理加权惩罚方法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：摘要聚焦空间异质成分回归的方法创新与健康应用，未涉及所提供领域细分中的因果推断、面板、离散选择、结构估计、分位数、网络、时间序列、宏观、金融等方向，故不选择。
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…
收入分布与COPD患病率的空间异质成分回归：地理加权惩罚方法
- 研究问题
- 摘要称，研究问题是收入不平等对健康差异的影响常随地理变化，且收入常以成分分布（如各收入档家庭比例）表示；现有空间回归方法难以同时处理突变式空间异质性与成分型协变量。
- 方法与思路
- 作者提出地理加权惩罚成分回归模型，采用成对融合惩罚以识别具有共享回归效应的连续与非连续区域聚类，并引入MCP等非凸惩罚以改善高维空间下的估计精度、可解释性与可扩展性。
- 材料陈述的贡献
- 摘要称，该方法放松了空间平滑与地理邻接的强假设，可识别地理上不相邻但社会经济结构相似的区域；并以美国收入构成与COPD患病率的分析为例，揭示被常规模型掩盖的空间异质关联。
- 阅读关注点
- 应核对成分协变量的具体处理方式、融合惩罚与地理权重的识别条件、聚类数或调优参数的选择、MCP非凸优化的算法与收敛保证，以及COPD分析的数据来源、变量定义与结果稳健性。
- 阅读边界
- 仅凭摘要无法判断识别假设、估计性质、模拟表现与实证结论的可靠性；摘要未说明数据年份、样本范围、模型设定细节与因果解释边界。该文为arXiv预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
Income inequality is a major contributor to health disparities, yet its effects often vary by geography and are commonly represented as compositional distributions (e.g., proportions of households across income brackets). Existing spatial regression methods struggle in this setting: they typically assume smooth spatial variation, cannot accommodate abrupt spatial heterogeneity, and lack principled treatment of compositional covariates. We propose a geographically weighted penalized compositional regression model that addresses these challenges simultaneously. Our method adopts a pairwise fusion penalty that enables detection of both contiguous and noncontiguous regional clusters with shared regression effects, thereby relaxing strong assumptions of spatial smoothness and geographic contiguity. This allows regions with similar underlying socioeconomic structures to be identified even when they are not geographically adjacent. By incorporating nonconvex penalties, such as the minimax concave penalty (MCP), the approach achieves improved estimation accuracy, interpretability, and scalability in high-dimensional spatial settings. We illustrate the method through an analysis linking U.S. income composition to chronic obstructive pulmonary disease (COPD) prevalence, revealing spatially heterogeneous associations that are obscured by conventional models. The proposed framework provides a flexible and robust tool for spatial data analysis involving compositional predictors and region-specific heterogeneity.