Semiparametric Stochastic Modeling of the Rate Function in Longitudinal Studies
纵向研究中变化速率函数的半参数随机建模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：摘要研究生物医学纵向函数与随机速率，未明确采用所列面板计量框架，也未涉及宏观预测。
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…
纵向研究中变化速率函数的半参数随机建模
- 研究问题
- 在纵向生物医学研究中，如何刻画生物标志物轨迹的变化速率，并允许速率随协变量变化及围绕指定参数函数随机波动？
- 方法与思路
- 作者用随机微分方程定义速率函数的随机过程，构造半参数模型与 MCMC 推断算法，并通过模拟和前列腺特异抗原轨迹应用说明。
- 材料陈述的贡献
- 摘要提出依赖协变量的随机速率建模方法及计算算法，并与已有方法比较拟合和未来函数数据预测；摘要未报告比较的具体结果。
- 阅读关注点
- 应核对速率与观测轨迹的关系、随机微分方程和参数基准函数的设定，以及稀疏观测下的推断、预测评价与 MCMC 诊断。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；过程条件、观测机制与比较结果未说明，不能声称预测更优或推断刊本变化。
原文摘要
In longitudinal biomedical studies, there is often interest in the rate functions, which describe the functional rates of change of biomarker profiles. This paper proposes a semiparametric approach to model these functions as the realizations of stochastic processes defined by stochastic differential equations. These processes are dependent on the covariates of interest and vary around a specified parametric function. An efficient Markov chain Monte Carlo algorithm is developed for inference. The proposed method is compared with several existing methods in terms of goodness-of-fit and more importantly the ability to forecast future functional data in a simulation study. The proposed methodology is applied to prostate-specific antigen profiles for illustration. Supplementary materials for this paper are available online.