×
孔玲珑;罗新超;谢金汉;朱立行;朱洪图

纵向功能反应的功能非线性混合效应建模框架。 （英语） Zbl 07823241号

电子。J.统计。 第1期第18页，1355-1393（2024）.
摘要：在本文中，我们引入了一个功能非线性混合效应建模框架，旨在量化个体时空功能轨迹和纵向响应之间的随机、非线性关系。我们提出的框架通过时空过程解释了个体内的变异性。我们详细介绍了一种确定固定和随机效应函数以及时空协方差算子的估计方法，并建立了它们的渐近性质，包括一致一致性和弱收敛性。我们还为固定效应函数开发了全局线性假设检验和基于bootstrap的同步置信带。为了评估我们方法的有限样本性能，我们使用模拟和真实世界的数据集进行了数值分析。我们的结果表明，与现有的非线性混合效应模型相比，所提出的模型类在检测功能固定效应方面更加灵活和有效。我们将我们的方法应用于自闭症研究数据库，以调查年龄和空间动力学对胼胝体白质纤维骨架分数各向异性的影响。

MSC公司：

62G05型 非参数估计
60J05型 一般状态空间上的离散马尔可夫过程
62G08号 非参数回归和分位数回归
6220国集团 非参数推理的渐近性质

关键词：

函数随机效应;功能性响应;全局测试统计;纵向响应;同时置信带;弱收敛
PDF格式BibTeX公司 XML格式引用
\textit{L.Kong}等人，《电子》。J.Stat.18，No.1，1355--1393（2024；Zbl 07823241）
全文： 内政部 链接

参考文献：

[1] Basser，P.J.、Mattiello，J.和LeBihan，D.（1994年）。从核磁共振自旋回波估算有效自扩散张量。磁共振杂志，B辑103，247-254。
[2] Bethlehem，R.A.，Seidlitz，J.，White，S.R.，Vogel，J.W.，Anderson，K.M.，Adamson，C.，Adler，S.，Alexopoulos，G.S.，Anagnostou，E.，Areces-Gonzalez，A.等人（2022年）。人类寿命的脑图。自然第1-11页。
[3] Blozis，S.A.和Harring，J.R.（2021）。用替代残差协方差结构拟合非线性混合效应模型。社会学方法与研究50，531-566。数学科学网：MR4243229
[4] Cao，J.、Huang，J.Z.和Wu，H.（2011）。常微分方程中时变参数的惩罚非线性最小二乘估计。计算与图形统计杂志21，1-15。数学科学网：MR2913355
[5] Casey，B.，Cannonier，T.，Conley，M.I.，Cohen，A.O.，Barch，D.M.，Heitzeg，M.M.，Soules，M.E.，Teslovich，T，Dellarco，D.V.，Garavan，H.等人（2018年）。青少年大脑认知发展（abcd）研究：跨21个地点的图像采集。发展认知神经科学32，43-54。
[6] Cederbaum，J.、Pouplier，M.、Hoole，P.和Greven，S.（2016）。不规则或稀疏采样数据的函数线性混合模型。统计建模16，67-88。数学科学网：MR3457688·Zbl 07259010号
[7] Cheng，Y.、Shi，J.Q.和Eyre，J.（2019）。非线性混合影响标度函数模型和变量选择。统计与计算30，129-140。数学科学网：MR4057475·兹比尔1436.62132
[8] Davidian，M.和Giltinan，D.M.（2003年）。重复测量数据的非线性模型：概述和更新。农业、生物和环境统计杂志8，387-419。
[9] Dean，D.C.、O'Muirchartaigh，J.、Dirks，H.、Waskiewicz，N.、Walker，L.、Doernberg，E.、Piryatinsky，I.和Deoni，S.C.（2015）。以儿童早期纵向白质发育为特征。大脑结构与功能2201921-1933。
[10] Demidenko，E.（1997）。一般非线性混合效应模型方法的比较。纽约施普林格-弗拉格。
[11] Demidenko，E.（2004）。混合模型：理论与应用。威利-国际科学。数学科学网：MR2077875·Zbl 1055.62086号
[12] Fan，J.和Gijbels，I.（1996年）。局部多项式建模及其应用。查普曼和霍尔，伦敦。数学科学网：MR1383587 zbMATH:087.62037·兹比尔0873.62037
[13] Greven，S.、Crainiceanu，S.，Caffo，B.S.和Reich，D.（2010年）。纵向功能主成分分析。《电子统计杂志》4，1022-1054。数学科学网：MR2727452·Zbl 1329.62334号
[14] 郭伟（2002）。功能性混合效应模型。生物计量学第58121-128页。数学科学网：MR1891050·Zbl 1209.62072号
[15] Hall，D.、Huerta，M.、Mcauliffe，M.和Farber，G.（2012年）。共享异构数据：国家自闭症研究数据库。神经信息学10, 331-9.
[16] Howell，B.R.，Styner，M.A.，Gao，W.，Yap，P.-T.，Wang，L.，Baluyot，K.，Yacoub，E.，Chen，G.，Potts，T.，Salzwedel，A.等人（2019年）。unc/umn婴儿连接组项目（bcp）：研究设计和协议开发概述。神经影像185, 891-905.
[17] Kline，P.和Santos，A.（2012年）。一种基于分数的野引导推理方法。《计量经济学方法杂志》1，23-41·兹比尔1279.62076
[18] Kuhn，E.和Lavielle，M.（2005年）。非线性混合效应模型中的最大似然估计。计算统计与数据分析49，1020-1038。数学科学网：MR2143055·Zbl 1429.62279号
[19] Kulikova，S.、Hertz-Pannier，L.、Dehaene-Lambertz，G.、Buzmakov，A.、Poupon，C.和Dubois，J.（2015）。白质成熟度的多参数评估。大脑结构与功能220，3657-3672。
[20] Lebel，C.和Beaulieu，C.（2011年）。人类大脑布线的纵向发展从童年一直延续到成年。《神经科学杂志》31，10937-10947。
[21] Lee，I.H.和Rojewski，J.W.（2009年）。职业抱负声望的发展：选定影响因素的分段潜在增长模型。《职业行为杂志》75，82-90。
[22] Li，G.，Wang，L.，Yap，P.-T，Wang-F.，Wu，Z.，Meng，Y.，Dong，P.，Kim，J.，Shi，F.，Rekik，I.等人（2019年）。婴儿大脑的计算神经解剖学：综述。神经影像185, 906-925.
[23] Li，X.、Wang，L.、Wang、H.J.和Initiative，A.D.N.（2021）。超高维图像尺度回归的稀疏学习和结构识别。美国统计协会杂志116，1994-2008。数学科学网：MR4353728·Zbl 07662817号
[24] Lindstrom，M.J.和Bates，D.M.（1990）。重复测量数据的非线性混合效应模型。生物计量学46, 673-687. 数学科学网：MR1085815
[25] Luo，X.、Zhu，L.、Kong，L.和Zhu，H.（2015）。纵向图像数据的函数非线性混合效应模型。在医学成像信息处理国际会议上，第794-805页。斯普林格。
[26] Morris，J.S.和Carroll，R.J.（2006）。基于小波的函数混合模型。英国皇家统计学会杂志：B辑（统计方法）68，179-199。数学科学网：MR2188981·Zbl 1110.62053号
[27] Mueller，S.G.、Weiner，M.W.、Thal，L.J.、Petersen，R.C.、Jack，C.R.、Jagust，W.、Trojanowski，J.Q.、Toga，A.W.和Beckett，L.（2005）。阿尔茨海默病早期诊断的方法：阿尔茨海默氏病神经成像倡议（ADNI）。阿尔茨海默病和痴呆1，55-66。
[28] Pinheiro，J.和Bates，D.（2006年）。S和S-PLUS中的混合效应模型。施普林格科技与商业媒体。
[29] Rice，J.A.和Silverman，B.W.（1991年）。当数据是曲线时，以非帧方式估计均值和协方差结构。《皇家统计学会杂志：B辑（统计方法）》53，233-243。数学科学网：MR1094283·Zbl 0800.62214号
[30] Sadeghi，N.、Prastawa，M.、Fletcher，P.T.、Wolff，J.、Gilmore，J.H.和Gerig，G.（2013）。纵向dt-mri的区域特征，用于研究早期发育大脑的白质成熟度。神经影像68, 236-247.
[31] Smith，S.M.、Jenkinson，M.、Johansen-Berg，H.、Rueckert，D.、Nichols，T.E.、Mackay，C.E.、Watkins，K.E.、Ciccarelli，O.、Cader，M.Z.、Matthews，P.M.等人（2006年）。基于区域的空间统计：多主题扩散数据的Voxelwise分析。神经影像31, 1487-1505.
[32] Strogatz，S.H.（1994）。《非线性动力学和混沌：在物理、生物、化学和工程中的应用》，马萨诸塞州剑桥市威斯特维尤，数学科学网：MR3837141
[33] van der Vaart，A.（1998）。渐进统计。剑桥大学出版社。数学科学网：MR1652247·Zbl 0910.62001号
[34] van der Vaart，A.W.和Wellner，J.A.（1996）。弱收敛和经验过程。纽约州施普林格-弗拉格。数学科学网：MR1385671·Zbl 0862.60002号
[35] Varfolomeyev，S.和Gurevich，K.（2001）。人口在宏观历史尺度上的超指数增长。理论生物学杂志212，367-372。
[36] Wang，J.-L.，Chiou，J.-M.和Müller，H.-G.（2016）。功能数据分析。统计及其应用年鉴3，257-295。
[37] Wied，D.和Weißbach，R.（2010）。核密度估计的一致性：一项调查。统计论文53，1-21。数学科学网：MR2878587·Zbl 1241.62049号
[38] Yuan，Y.、Gilmore，J.H.、Geng，X.、Styner，M.、Chen，K.、Wang，J.L.和Zhu，H.（2014）。FMEM：用于分析纵向白质束数据的功能性混合效应建模。神经影像84, 753-764.
[39] Zhang，J.-T.（2011）。具有函数响应的线性模型的统计推断。《中国统计》第1431-1451页。数学科学网：MR2827530·Zbl 1236.62081号
[40] Zhang，J.-T.和Chen，J.（2007）。功能数据的统计推断。《统计年鉴》351052-1079。数学科学网：MR2341698·Zbl 1129.62029号
[41] Zhu，H.，Chen，K.，Luo，X.，Yuan，Y.和Wang，J.-L.（2019年）。FMEM：纵向功能反应的功能混合效应模型。《中国统计》第29期，2007-2033。数学科学网：MR3970345·Zbl 1432.62174号
[42] Zhu，H.，Li，R.和Kong，L.（2012）。功能反应的多元变系数模型。《统计年鉴》40，2634-2666。数学科学网：MR3097615·Zbl 1373.62169号
[43] Zhu，H.，Li，T.和Zhao，B.（2023）。神经影像数据分析的统计学习方法及其应用。生物医学数据科学年度回顾6，正在出版中。数学科学网：MR3653719
[44] Zhu，H.，Zhang，H.、Ibrahim，J.G.和Peterson，B.S.（2007年）。扩散加权磁共振成像数据中扩散张量的统计分析。《美国统计协会杂志》102，1085-1102。数学科学网：MR2412530·Zbl 1332.62222号
[45] Zipunnikov，V.、Greven，S.、Shou，H.、Caffo，B.、Reich，D.S.和Crainiceanu，C.（2014）。纵向高维主成分分析在多发性硬化扩散张量成像中的应用。应用统计年鉴82175-2202。数学科学网：MR3292493·Zbl 1454.62190号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。