Time-Varying Additive Models for Longitudinal Data
纵向数据的时变加性模型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：题名与摘要明确涉及纵向重复测量及其回归推断，与面板数据方向直接相关。
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…
纵向数据的时变加性模型
- 研究问题
- 当响应与协变量均为函数，且测量可能只在离散时点稀疏发生时，如何估计随时间变化的加性关系并进行推断？
- 方法与思路
- 作者提出函数型加性模型及新的反向拟合算法，以时变协变量加性函数构成回归关系，统一处理密集和稀疏函数型数据。
- 材料陈述的贡献
- 摘要称建立了覆盖两类观测密度的估计与推断框架，并证明分量函数估计量的预言性质，具体理论条件未在摘要展开。
- 阅读关注点
- 应核对时间与协变量两个维度的平滑方式、个体内依赖和观测时点处理，以及稀疏与密集情形的推断条件。
- 阅读边界
- 材料为版本未注明的 OpenAlex 索引摘要；未说明误差依赖、观测机制或预言性质的条件，不能推断对任意纵向数据有效。
原文摘要
The additive model is an effective dimension-reduction approach that also provides flexibility in modeling the relation between a response variable and key covariates. The literature is largely developed to scalar response and vector covariates. In this article, more complex data are of interest, where both the response and the covariates are functions. We propose a functional additive model together with a new backfitting algorithm to estimate the unknown regression functions, whose components are time-dependent additive functions of the covariates. Such functional data may not be completely observed since measurements may only be collected intermittently at discrete time points. We develop a unified platform and an efficient approach that can cover both dense and sparse functional data and the needed theory for statistical inference. We also establish the oracle properties of the proposed estimators of the component functions.