Nonparametric additive regression for repeatedly measured data
重复测量数据的非参数加性回归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：摘要明确处理重复测量、测量间不变协变量与误差协方差，对应面板及纵向数据的相关结构问题。
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
重复测量数据的非参数加性回归
- 研究问题
- 重复测量加性回归中，如何利用误差相关结构提高分量函数估计效率，并处理部分协变量在多次测量中不变的情况？
- 方法与思路
- 作者构造易计算的平滑后向拟合算法，引入工作协方差矩阵，并研究分量函数的渐近方差和局部线性偏差。
- 材料陈述的贡献
- 摘要称，正确协方差下方法最有效，标量自变量情形达到已知渐近方差下界，局部线性偏差不依赖设计。
- 阅读关注点
- 应核对重复测量结构、工作协方差的指定与估计，以及效率下界的适用条件、偏差结论和核估计比较的设置。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未给出正则条件与模拟数值，协方差错设时的效率损失亦未说明。
原文摘要
We develop an easily computed smooth backfitting algorithm for additive model fitting in repeated measures problems. Our methodology easily copes with various settings, such as when some covariates are the same over repeated response measurements. We allow for a working covariance matrix for the regression errors, showing that our method is most efficient when the correct covariance matrix is used. The component functions achieve the known asymptotic variance lower bound for the scalar argument case. Smooth backfitting also leads directly to design-independent biases in the local linear case. Simulations show our estimator has smaller variance than the usual kernel estimator. This is also illustrated by an example from nutritional epidemiology.