Bayesian Scalar-on-Tensor Quantile Regression for Longitudinal Data on Alzheimer's Disease
阿尔茨海默病纵向数据的贝叶斯张量分位数回归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：摘要以分位数回归处理偏斜认知得分分布，属分位数与分布效应；数据为纵向重复访视的脑影像与行为测量，涉及面板式纵向结构。
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…
阿尔茨海默病纵向数据的贝叶斯张量分位数回归
- 研究问题
- 摘要称，研究动机来自阿尔茨海默病数据，目标是探索脑影像与认知行为之间的关联如何随时间变化；同时要处理高维纵向影像数据中认知得分分布偏斜的问题。
- 方法与思路
- 作者提出贝叶斯张量分位数回归：区分跨访视一致效应与各访视特有模式，对张量系数做低秩分解以降维并保留体素空间结构，对访视不变系数用多路收缩先验、对访视特有效应的张量边缘用变量选择先验，并开发MCMC后验抽样算法。
- 材料陈述的贡献
- 摘要称贡献在于提出可同时刻画访视不变与访视特有脑行为关联的贝叶斯张量分位数回归框架，配合低秩分解与两类先验及高效MCMC算法；模拟研究显示在参数估计、特征选择与预测上优于既有方法，实际数据分析提供了更完整的体素与认知得分分位数关系图景。
- 阅读关注点
- 应核对低秩分解的秩如何选取、多路收缩先验与变量选择先验的具体形式、MCMC的收敛与计算成本、模拟比较的基准方法与评价指标，以及实际数据分析中关联结论是否稳健、是否含因果解释。
- 阅读边界
- 仅凭摘要无法判断识别假设、先验敏感性、算法收敛性与模拟结论的可复现性；摘要未说明样本量、访视次数、影像维度与具体数值结果。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
As a general and robust alternative to traditional mean regression models, quantile regression avoids the assumption of normally distributed errors, making it a versatile choice when modeling outcomes such as cognitive scores that typically have skewed distributions. Motivated by an application to Alzheimer's disease data where the aim is to explore how brain-behavior associations change over time, we propose a novel Bayesian tensor quantile regression for high-dimensional longitudinal imaging data. The proposed approach distinguishes between effects that are consistent across visits and patterns unique to each visit, contributing to the overall longitudinal trajectory. A low-rank decomposition is employed on the tensor coefficients which reduces dimensionality and preserves spatial configurations of the imaging voxels. We incorporate multiway shrinkage priors to model the visit-invariant tensor coefficients and variable selection priors on the tensor margins of the visit-specific effects. For posterior inference, we develop a computationally efficient Markov chain Monte Carlo sampling algorithm. Simulation studies reveal significant improvements in parameter estimation, feature selection, and prediction performance when compared with existing approaches. In the analysis of the Alzheimer's disease data, the flexibility of our modeling approach brings new insights as it provides a fuller picture of the relationship between the imaging voxels and the quantile distributions of the cognitive scores.