Functional Adaptive Model Estimation
函数型自适应模型估计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：摘要研究通用函数型回归与医学预测，未涉及所列经济计量领域的专门设定。
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
函数型自适应模型估计
- 研究问题
- 如何灵活建模标量响应与函数型预测变量之间的关系，并兼容不同响应分布、多种预测变量及可能存在的缺失数据？
- 方法与思路
- 作者提出FAME，将广义线性、广义可加和投影寻踪回归扩展到函数型预测变量，并利用函数主成分帮助可视化。
- 材料陈述的贡献
- 摘要称FAME兼容标准指数族响应和投影寻踪的灵活性，可扩展至多类预测变量，并以模拟及骨形预测关节炎作展示。
- 阅读关注点
- 应核对函数型输入的表示与模型拟合、复杂度控制、多预测变量和缺失数据处理，以及模拟和应用的评价方法。
- 阅读边界
- 仅据版本未注明的索引摘要，无法判断一致性、预测提升或缺失机制要求；函数主成分可视化不等于宏观因子模型。
原文摘要
In this article we are interested in modeling the relationship between a scalar, Y, and a functional predictor, X(t). We introduce a highly flexible approach called functional adaptive model estimation (FAME), which extends generalized linear models (GLMs), generalized additive models (GAMs), and projection pursuit regression (PPR) to handle functional predictors. The FAME approach can model any of the standard exponential family of response distributions that are assumed for GLM or GAM while maintaining the flexibility of PPR. For example, standard linear or logistic regression with functional predictors, as well as far more complicated models, can easily be applied using this approach. We use a functional principal components decomposition of the predictor functions to aid visualization of the relationship between X(t) and Y. We also show how the FAME procedure can be extended to deal with multiple functional and standard finite-dimensional predictors, possibly with missing data. We illustrate the FAME approach on simulated data, as well as on the prediction of arthritis based on bone shape. We end with a discussion of the relationships between standard regression approaches, their extensions to functional data, and FAME.