Joint modelling of paired sparse functional data using principal components
利用主成分联合建模成对稀疏函数数据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：摘要明确处理个体层面的成对纵向重复测量，并通过混合效应结构建模。
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
利用主成分联合建模成对稀疏函数数据
- 研究问题
- 两个成对纵向变量在个体间测量时间不规则、稀疏且差异较大时，如何同时描述各自轨迹以及二者之间的关联？
- 方法与思路
- 作者把观测视为平滑曲线加随机误差，用少数函数主成分概括轨迹，以得分关联连接两变量，并用惩罚样条和混合效应模型拟合。
- 材料陈述的贡献
- 摘要称框架可用于稀疏不规则测量下的拟合、预测和推断，函数主成分有助于解释，并改善参数估计的统计与数值稳定性。
- 阅读关注点
- 应核对主成分数量选择、测量误差与观测时间条件、得分关联的参数化，以及稀疏观测下协方差结构的识别与估计。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；稳定性改善的比较依据未说明，得分关联本身不能解释为变量间的因果作用。
原文摘要
We propose a modelling framework to study the relationship between two paired longitudinally observed variables. The data for each variable are viewed as smooth curves measured at discrete time-points plus random errors. While the curves for each variable are summarized using a few important principal components, the association of the two longitudinal variables is modelled through the association of the principal component scores. We use penalized splines to model the mean curves and the principal component curves, and cast the proposed model into a mixed-effects model framework for model fitting, prediction and inference. The proposed method can be applied in the difficult case in which the measurement times are irregular and sparse and may differ widely across individuals. Use of functional principal components enhances model interpretation and improves statistical and numerical stability of the parameter estimates.