We propose a distributional outcome regression (DOR) with scalar and distributional predictors. Distributional observations are represented via quantile functions and the dependence on predictors is modelled via functional regression coefficients. DOR expands existing literature with three key contributions: handling both scalar and distributional predictors, ensuring jointly monotone regression structure without enforcing monotonicity on individual functional regression coefficients, providing a statistical inference for estimated functional coefficients. Bernstein polynomial bases are employed to construct a jointly monotone regression structure without over-restricting individual functional regression coefficients to be monotone. Asymptotic projection-based joint confidence bands and a statistical test of global significance are developed to quantify uncertainty for estimated functional regression coefficients. Simulation studies illustrate a good performance of DOR model in accurately estimating the distributional effects. The method is applied to continuously monitored heart rate and physical activity data of 890 participants of Baltimore Longitudinal Study of Aging. Daily heart rate reserve, quantified via a subject-specific distribution of minute-level heart rate, is modelled additively as a function of age, gender, and BMI with an adjustment for the daily distribution of minute-level physical activity counts. Findings provide novel scientific insights in epidemiology of heart rate reserve.


翻译:我们建议一个分布结果回归(DOR),配有斜度和分布预测值。分布式观测通过四分位函数进行,对预测值的依赖通过功能回归系数进行模拟。DOR扩大现有文献,有三大贡献:处理斜度和分布性预测器,共同确保单调回归结构,不对个人功能回归系数实施单一度,提供估计功能系数的统计推论。伯恩斯坦州多元球基建一个联合单调回归结构,不过度限制个人功能回归系数,以单调为单调。以假设性为基点的联合预测信任带和具有全球意义的统计测试,以量化估计功能回归系数的不确定性。模拟研究显示DOR模型在准确估算分布效应方面的良好表现。该方法用于持续监测890名巴尔的巴尔的摩长度研究参与者的心率和物理活动数据。日心率储备量,通过分钟级心脏率的具体分布情况加以量化,作为年龄、性别、性别和BMI的动态数据测试,为每日科学感知度水平的精确度排序提供了最新科学感测力水平。

0
下载
关闭预览

相关内容

[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
征稿 | CFP:Special Issue of NLP and KG(JCR Q2,IF2.67)
开放知识图谱
1+阅读 · 2022年4月4日
IEEE ICKG 2022: Call for Papers
机器学习与推荐算法
3+阅读 · 2022年3月30日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
ACM TOMM Call for Papers
CCF多媒体专委会
2+阅读 · 2022年3月23日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
Call for Nominations: 2022 Multimedia Prize Paper Award
CCF多媒体专委会
0+阅读 · 2022年2月12日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Core-Elements for Classical Linear Regression
Arxiv
0+阅读 · 2023年3月17日
Arxiv
0+阅读 · 2023年3月16日
Arxiv
0+阅读 · 2023年3月16日
VIP会员
相关资讯
征稿 | CFP:Special Issue of NLP and KG(JCR Q2,IF2.67)
开放知识图谱
1+阅读 · 2022年4月4日
IEEE ICKG 2022: Call for Papers
机器学习与推荐算法
3+阅读 · 2022年3月30日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
ACM TOMM Call for Papers
CCF多媒体专委会
2+阅读 · 2022年3月23日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
Call for Nominations: 2022 Multimedia Prize Paper Award
CCF多媒体专委会
0+阅读 · 2022年2月12日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Top
微信扫码咨询专知VIP会员