Efficient Longitudinal Function-on-Function Regression
纵向函数对函数回归的高效推断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。
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：摘要聚焦纵向函数型数据的估计与推断方法，未涉及所给微观或宏观领域细分中的因果识别、面板结构、时间序列或金融主题，故不选择任何细分。
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
纵向函数对函数回归的高效推断
- 研究问题
- 摘要称，研究如何在纵向函数对函数回归中实现计算高效的估计与推断，并应用于老年人身体活动干预试验的高维可穿戴数据。
- 方法与思路
- 作者提出边际三步法：先拟合大量逐点纵向标量对函数回归模型，再在双变量函数域上平滑所得估计，最后用高斯情形下的解析方法或对高斯与非高斯数据均可用的聚类自助法计算置信带。
- 材料陈述的贡献
- 摘要称模拟研究显示该方法估计准确、推断有效，且相较既有方法大幅降低计算负担；应用发现人际干预策略下早晨身体活动显著增加，而个体内策略下未见此效果；方法已实现为 R 包。
- 阅读关注点
- 应核对三步法的识别与正则化条件、平滑参数选择、解析置信带与聚类自助法的适用前提及有限样本表现，以及模拟设定和干预试验结论的稳健性。
- 阅读边界
- 仅依据 arXiv 预印本摘要，未读全文；摘要未说明识别假设、定理、具体数值结果与数据细节，且该版本未经同行评审，不能据此声称已被期刊接收。
原文摘要
We propose a computationally efficient inferential procedure for longitudinal function-on-function regression. The method follows a marginal three-step approach: (1) fit massive pointwise longitudinal scalar-on-function regression models, (2) smooth the resulting estimates along the bivariate functional domain, and (3) compute confidence bands using either an analytic approach for Gaussian data or a cluster bootstrap for Gaussian or non-Gaussian data. Simulation studies demonstrate that the proposed method achieves accurate estimation and valid inference, while substantially reducing computational burden compared to existing approaches. Methods are motivated by a physical activity intervention trial in older adults where high-dimensional wearable data were collected longitudinally across multiple visits. Our applications reveal significant increases in physical activity in the morning using interpersonal intervention strategies, but not intrapersonal strategies. The proposed methods are implemented in an R package.