Generalized Multilevel Functional Regression
广义多层函数型回归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。
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：摘要聚焦多层函数型暴露与医学回归，单凭层级结构不足以认定属于所列面板或其他经济计量细分。
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…
广义多层函数型回归
- 研究问题
- 当解释变量具有多层函数型结构时，如何建立回归框架，并利用已有混合效应方法进行频率学派或贝叶斯推断？
- 方法与思路
- 作者提出广义多层函数型线性模型，将其表述为广义线性混合模型，并比较两阶段频率学派估计与联合贝叶斯分析。
- 材料陈述的贡献
- 摘要称新框架可借助成熟的混合效应推断工具开展分析和扩展，并用睡眠心脏健康研究展示多层函数型暴露数据的应用。
- 阅读关注点
- 应核对函数型暴露的层级分解、混合模型表示的实现方式，以及两阶段方法是否传播第一阶段误差和两种推断方案的比较标准。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明函数表示、识别条件或两种方法的具体表现，不能据此判断其相对优越性。
原文摘要
We introduce Generalized Multilevel Functional Linear Models (GMFLMs), a novel statistical framework for regression models where exposure has a multilevel functional structure. We show that GMFLMs are, in fact, generalized multilevel mixed models (GLMMs). Thus, GMFLMs can be analyzed using the mixed effects inferential machinery and can be generalized within a well researched statistical framework. We propose and compare two methods for inference: 1) a two-stage frequentist approach; and 2) a joint Bayesian analysis. Our methods are motivated by and applied to the Sleep Heart Health Study (SHHS), the largest community cohort study of sleep. However, our methods are general and easy to apply to a wide spectrum of emerging biological and medical data sets. Supplemental materials for this article are available online.