Reduced Rank Mixed Effects Models for Spatially Correlated Hierarchical Functional Data
空间相关层级函数数据的降秩混合效应模型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：摘要研究层级函数数据与空间相关的混合效应模型，主成分用于函数降维，未直接构成宏观或金融因子模型。
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
空间相关层级函数数据的降秩混合效应模型
- 研究问题
- 当函数观测具有处理组、单位及子单位的嵌套结构，且子单位函数之间相关时，如何建模不同层级的变异？
- 方法与思路
- 作者以两套主成分表示不同层级变异，用惩罚样条估计均值与主成分函数，并利用协方差结构设计 EM 算法。
- 材料陈述的贡献
- 摘要称主成分降维有助于建模随机函数的协方差核及函数间相关，算法避免存储和求逆大型矩阵，并给出模拟应用。
- 阅读关注点
- 应核对两层主成分的区分、相关结构与秩的选择、样条惩罚设定，以及 EM 计算和协方差建模的约束。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；秩选择、可识别条件和计算节省幅度未详述，不能推断额外理论结果。
原文摘要
Hierarchical functional data are widely seen in complex studies where sub-units are nested within units, which in turn are nested within treatment groups. We propose a general framework of functional mixed effects model for such data: within unit and within sub-unit variations are modeled through two separate sets of principal components; the sub-unit level functions are allowed to be correlated. Penalized splines are used to model both the mean functions and the principal components functions, where roughness penalties are used to regularize the spline fit. An EM algorithm is developed to fit the model, while the specific covariance structure of the model is utilized for computational efficiency to avoid storage and inversion of large matrices. Our dimension reduction with principal components provides an effective solution to the difficult tasks of modeling the covariance kernel of a random function and modeling the correlation between functions. The proposed methodology is illustrated using simulations and an empirical data set from a colon carcinogenesis study. Supplemental materials are available online.