A Semiparametric Change-Point Regression Model for Longitudinal Observations
纵向观测的半参数变点回归模型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：摘要明确研究个体观测时间可不同的纵向回归及协变量系数变化，直接支持面板数据方向的分类。
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
纵向观测的半参数变点回归模型
- 研究问题
- 当纵向研究中的协变量作用发生突变时，如何同时估计变点个数、位置和幅度，并允许不同个体具有不同观测时间？
- 方法与思路
- 作者提出半参数变点回归模型，不指定基线均值函数与误差过程的参数形式，并结合计数过程分析和多变点推断构造估计程序。
- 材料陈述的贡献
- 摘要称，在适当正则条件下讨论估计的一致性与渐近正态性，方法允许未知的多个系数变点，并通过模拟和真实数据展示表现。
- 阅读关注点
- 应核对基线变化与系数变点如何区分、个体观测时间的条件，以及变点个数选择、位置估计和各类参数渐近结果的适用范围。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；摘要未说明变点间距、突变幅度要求或观测机制，不能判断所有纵向设计的适用性。
原文摘要
Many longitudinal studies involve relating an outcome process to a set of possibly time-varying covariates, giving rise to the usual regression models for longitudinal data. When the purpose of the study is to investigate the covariate effects when experimental environment undergoes abrupt changes or to locate the periods with different levels of covariate effects, a simple and easy-to-interpret approach is to introduce change-points in regression coefficients. In this connection, we propose a semiparametric change-point regression model, in which the error process (stochastic component) is nonparametric and the baseline mean function (functional part) is completely unspecified, the observation times are allowed to be subject-specific, and the number, locations and magnitudes of change-points are unknown and need to be estimated. We further develop an estimation procedure which combines the recent advance in semiparametric analysis based on counting process argument and multiple change-points inference, and discuss its large sample properties, including consistency and asymptotic normality, under suitable regularity conditions. Simulation results show that the proposed methods work well under a variety of scenarios. An application to a real data set is also given.