Dependent generalized functional linear models
具有依赖结构的广义函数型线性模型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：摘要研究相关函数型数据的通用回归检验，簇结构不足以认定为面板或网络计量研究。
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…
具有依赖结构的广义函数型线性模型
- 研究问题
- 在存在相关结构的多元回归中，如何检验函数型协变量对响应向量是否没有作用，并评价忽略相关性对检验表现的影响？
- 方法与思路
- 作者用广义估计方程估计参数，建立联合渐近正态性并据此检验预测变量作用，通过模拟考察样本量、簇大小和参数维度的影响。
- 材料陈述的贡献
- 摘要称，模拟显示考虑相关结构的重要性；基因测序模拟中的检验表现与另一常用方法相当，应用中确认了已知的尼古丁依赖关联。
- 阅读关注点
- 应核对函数型协变量的表示、工作相关结构和方差估计，以及参数维度变化时的渐近条件和不同相关结构下的检验校准。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；相关结构设定和维度条件未说明，所报告的基因关联不构成因果识别证据。
原文摘要
This paper considers testing for no effect of functional covariates on response variables in multivariate regression. We use generalized estimating equations to determine the underlying parameters and establish their joint asymptotic normality. This is then used to test the significance of the effect of predictors on the vector of response variables. Simulations demonstrate the importance of considering existing correlation structures in the data. To explore the effect of treating genetic data as a function, we perform a simulation study using gene sequencing data and find that the performance of our test is comparable to that of another popular method used in sequencing studies. We present simulations to explore the behaviour of our test under varying sample size, cluster size and dimension of the parameter to be estimated, and an application where we are able to confirm known associations between nicotine dependence and neuronal nicotinic acetylcholine receptor subunit genes.