On estimation in varying coefficient models for sparse and irregularly sampled functional data
本文研究了一种基于稀疏不规则采样函数数据的变系数模型的光滑正则化方法，该模型含有一定的测量误差。基于再生核Hilbert空间方法，我们估计了潜在随机过程的一维协方差和互协方差函数。然后，我们得到系数函数的最小二乘估计。仿真结果表明，该方法具有良好的性能。我们通过分析原发性胆汁性肝硬化的纵向数据来说明我们的方法。
2017-11-27 stat.ME
Local Adaptive Grouped Regularization and its Oracle Properties for Varying Coefficient Regression
变系数回归是一种灵活的数据建模技术，其中系数是某些影响修改参数的函数，通常是某个域中的时间或位置。在变系数回归模型中，变量选择的方法有很多种，但现有的方法大多是全局选择，包括或排除整个域上的每个协变量。提出了一种新的局部自适应分组正则化方法，用于空间变系数线性和广义线性回归中局部变量的选择。LAGR选择与空间中任何点的响应相关的协变量，并通过使用局部线性系数估计值对自适应组Lasso进行调整，以获得局部回归模型，从而同时估计这些协变量的系数。在局部线性回归和局部广义线性回归条件下，证明了该方法的预言性质。在模拟研究中评估了LAGR的有限样本性质，并以波士顿房价数据集为例进行了分析。
2014-11-20 stat.ME
Sparse varying-coefficient functional linear model
考虑变系数泛函线性模型中的变量选择问题，其中多个预测变量是函数，响应是标量且依赖于外生变量。变系数泛函线性模型的估计采用惩罚极大似然方法，并引入稀疏诱导惩罚。控制惩罚程度的调谐参数由模型选择标准确定。所提出的方法可以揭示哪些组合的功能预测与响应，以及如何每个预测与响应调查系数表面。仿真研究提供了调查所提出的方法的有效性。我们还将其应用到作物产量数据的分析中，以研究哪些环境因素的组合与作物产量有关。
2021-10-25 stat.ME
The fundamental properties of time varying AR models with non stochastic coefficients
研究了具有时变系数的低阶自回归（AR）模型的动态特性的表示问题。现有的文献计算预测的系列从一个递归关系。相反，我们提供了TV-AR模型的线性无关的解决方案。我们的解决方案的公式使我们能够得到这些过程的基本性质，并获得明确的最佳预测的表达式。我们说明我们的方法和结果与一些经典的例子服从随时间变化的治疗，例如，周期性，周期性和AR模型受到多个结构突变。
2014-03-13 stat.ME
Estimation for bivariate quantile varying coefficient model
通过方向性方法，提出了一种二元变系数模型的二元分位数回归方法。变化的系数近似的B样条基和$L_{2}$型惩罚施加，以实现所需的平滑度。我们发展了一个多阶段的估计过程的基础上的澄清分离~（PS）的方法，借用信息从附近的方向。PS方法能够处理通过同时考虑多个方向而提高的计算复杂度，以有效地估计变化的系数，同时保证沿方向的一定平滑度。我们将优化问题转化为乘子交替方向法（ADMM）求解，ADMM是用R语言实现的，而核心是用C语言编写的，以加快速度。仿真研究证实了我们所提出的方法的有限样本性能。本文分析了一项神经发育临床研究中的弥散张量成像（DTI）特性的实际数据。
2015-11-09 stat.ME
Varying-coefficient modeling via regularized basis functions
我们解决的问题，构建变系数模型的基础上的基础扩展以及正则化技术。在我们的建模过程中的一个关键点是正则化方法中平滑参数的选择。为了客观地选择参数，我们从信息论和贝叶斯方法的角度推导了模型选择准则。我们通过蒙特卡罗模拟和分析一个真实的数据集，证明了所提出的建模策略的有效性。
2011-07-19 stat.ME
Varying Coefficient Panel Data Model with Interactive Fixed Effects
在本文中，我们提出了一个变系数面板数据模型，不可观察的多个相互作用的固定效应，与回归相关。我们用B样条逼近每个系数函数，并提出了一种基于最小二乘法的鲁棒非线性迭代方法来估计感兴趣的系数函数。在一定的正则性假设下，我们建立了估计量的渐近理论，包括相合性、收敛速度和渐近分布。此外，我们发展了一种最小二乘虚拟变量方法来研究所提出的模型的一个重要特例：具有可加性固定效应的变系数面板数据模型。为了构造系数函数的逐点置信区间，提出了一种基于残差的块自助方法，以减少计算量并避免累积误差。仿真研究和实际数据分析也进行了评估我们所提出的方法的性能。
2018-03-07 stat.ME
Varying coefficient model for longitudinal data with informative observation times
University of Hong Kong（香港大学）；University of Waterloo（滑铁卢大学）
本文提出了一种考虑信息性观察时间的变系数模型估计方法，通过反强度加权和筛估计框架提高估计精度，并在模拟和实际数据中验证了其有效性。
2026-01-23 stat.ME
VCBART: Bayesian trees for varying coefficients
针对现有变系数模型难以处理多元效应修饰变量的问题，提出VCBART，利用贝叶斯加性回归树灵活估计协变量效应，在估计、不确定性量化和预测上优于现有方法，并通过两个案例验证了其有效性。
2024-09-24 stat.ME
Spatially Clustered Varying Coefficient Model
在具有大空间区域的各种应用中，预期响应变量和协变量之间的关系表现出复杂的空间模式。我们提出了一个空间聚集的变系数模型，其中的回归系数被允许在每个集群内平滑变化，但突然改变相邻集群的边界，我们开发了一个统一的方法，同时系数估计和集群识别。变化的系数近似的惩罚样条，和集群被确定通过一个融合的凹罚相邻位置的差异，其中的空间邻居指定的最小生成树（MST）。基于乘子交替方向法，利用MST的稀疏结构，有效地解决了优化问题。此外，我们建立的预言性质的建议方法考虑到MST的结构。数值研究表明，该方法能有效地结合空间邻域信息，自动检测回归系数中可能的空间聚类模式。在海洋学的实证研究表明，所提出的方法是有希望提供翔实的结果。
2020-07-20 stat.ME
Fast spatio-temporally varying coefficient modeling with reluctant interaction selection
本文针对时空变系数模型计算效率与灵活性难以兼顾的问题，提出一种结合预条件与模型选择、借鉴不情愿交互建模的快速STVC方法，并通过蒙特卡洛实验和样本量为279,360的犯罪分析验证了其在估计精度与计算效率上的优势，模型已实现于R包spmoran。
2025-01-04 stat.ME
Kernel estimation of bivariate time-varying coefficient model for longitudinal data with terminal event
我们提出了一个非参数双变量时变系数模型的纵向测量与发生的终端事件，是受右删失。随时间变化的系数捕获协变量效应的纵向轨迹以及随访时间和剩余寿命。所提出的模型扩展了参数条件的方法，终端事件的时间在最近的文献中，从而避免了潜在的模型误指定。我们考虑一个核平滑方法估计回归系数在我们的模型和使用交叉验证带宽选择，在最后的分析中应用欠平滑，以消除渐近偏差的核估计。我们证明了核估计在较弱的正则条件下是渐近正态的，并提供了一个易于计算的夹心方差估计。我们进行了广泛的模拟，显示所提出的方法的理想性能，并应用该方法来分析终末期肾病患者的医疗费用数据。
2021-11-09 stat.ME
Post-selection inference on high-dimensional varying-coefficient quantile regression model
分位数回归已成功地用于研究异质性和重尾数据。变系数模型经常用于捕捉输入变量对响应的影响随指数或时间的变化。在这项工作中，我们研究了高维变系数分位数回归模型，并开发了新的统计推断工具。我们专注于开发有效的置信区间和诚实的测试，在一个固定的时间点和分位数的非参数系数，同时允许输入变量的数量超过样本量的高维设置。由于在估计中使用了模型选择技术，因此在该方案中进行统计推断具有挑战性。然而，我们可以开发有效的推理工具，适用于广泛的数据生成过程，并不遭受由模型选择引入的偏见。我们进行了数值模拟，以证明我们的方法的有限样本性能，我们也说明了一个实际数据的例子的应用。
2021-10-14 stat.ME
A global kernel estimator for partially linear varying coefficient additive hazards models
本文针对变系数可加风险模型提出一种全局核估计方法，以替代传统局部邻域估计，并通过理论证明、大规模模拟和癌症基因组学应用验证其更高效率和更优性能。
2024-01-18 stat.ME
The Bayesian Regularized Quantile Varying Coefficient Model
本文提出贝叶斯正则化分位数变系数模型，结合多元spike-and-slab先验和Gibbs采样实现稀疏变系数选择与稳健估计，模拟和NHS基因-环境交互研究验证了其在选择与估计精度上的优势。
2023-07-09 stat.ME
Bayesian Time Varying Coefficient Model with Applications to Marketing Mix Modeling
本文面向Uber营销组合建模需求，提出一种带分层贝叶斯结构的贝叶斯时变系数模型，利用局部潜变量加权系数并结合随机变分推断，在模拟与真实数据上验证了其在准确性和可解释性上的优势。
2024-12-28 stat.AP stat.ME
Truncated estimation for varying-coefficient functional linear model
变系数泛函线性模型考虑响应与预测变量之间的关系，其中响应不仅取决于预测变量，还取决于外生变量。然后，它占的关系的预测和响应随外生变量的变化。本文研究变系数模型的截断估计方法。该方法通过考察系数函数，可以明确函数预测量与外生变量任意值下的响应在什么时间点相关。为了得到截断模型，我们应用惩罚似然方法与稀疏诱导惩罚。仿真研究进行了调查所提出的方法的有效性。我们还报告了应用所提出的方法来分析作物产量数据，以调查当环境因素与作物产量在任何季节。
2022-03-19 stat.AP stat.ME
Time-varying Coefficients Estimation in Differential Equation Models with Noisy Time-varying Covariates
研究了常微分方程中时变系数的估计问题。当前理论仅适用于相关状态变量被观测而没有测量误差的情况，如\cite{chenwu08b,chenwu08}中所示。困难来自于需要处理的观测的二次泛函，而不是当状态变量不包含测量误差时出现的线性泛函。我们使用二次回归泛函理论推导出先前提出的两步估计的渐近偏差和方差。
2009-10-06 math.ST stat.ME stat.TH
Varying-coefficient functional additive models
将变系数泛函线性模型推广到非线性模型，提出了变系数泛函可加模型。该方法可以描述函数预测变量与标量响应之间的关系，其中标量响应依赖于外生变量，它捕捉了变量之间的非线性结构，并提供了变量之间的可解释关系。该模型通过基展开和惩罚似然法进行估计，然后根据模型选择准则选取估计过程中的整定参数。仿真研究表明了该方法的有效性。我们还将其应用于作物产量数据的分析，然后调查环境因素如何以及何时与作物产量有关。
2020-05-26 stat.AP stat.ME
Model detection and variable selection for mode varying coefficient model
变系数模型比参数模型更灵活，常用于统计建模。然而，在模式回归中，对变系数模型的模型检测和变量选择的认识还很不足。现有的方法在文献中对这些问题往往是基于均值回归和分位数回归。本文提出了一种基于B样条逼近和SCAD罚函数的模态变系数模型的新方法。此外，我们提出了一种新的算法来估计感兴趣的参数，并讨论了调谐参数和带宽的参数选择。在某些正则条件下，我们还建立了估计系数的渐近性质。最后，我们通过一些模拟研究和一个实证例子来说明所提出的方法。
2020-09-22 math.ST stat.ME stat.TH
varycoef: An R Package for Gaussian Process-based Spatially Varying Coefficient Models
高斯过程（GP）是用于对空间统计学、时间序列分析或计量经济学中的应用的相关数据进行建模的公知工具。在这篇文章中，我们提出了R包varycoef，实现估计，预测和变量选择的线性模型与空间变化系数（SVC）定义的GP，所谓的GP-基于SVC模型。这种模式提供了高度的灵活性，同时相对容易解释。使用varycoef，我们展示了（空间）变化系数模型在空间和时间序列数据上的多用途应用。这包括模型和系数估计与预测和变量选择。该软件包使用最先进的计算统计技术，如并行化，基于模型的优化和协方差锥形。这允许用户以计算高效的方式使用（S）VC模型，即，在可行的时间量内对大数据集进行模型估计是可能的。
2021-06-04 stat.CO stat.ME
Minimax estimation for Varying Coefficient Model via Laguerre Series
Ohio University（俄亥俄大学）；Cadi Ayyad University（卡迪·阿亚德大学）
本文通过拉格朗日多项式方法，提出了一种在最小最大意义下最优收敛速率的变系数模型参数估计方法，并建立了参数的渐近正态性，构造了置信区间和假设检验。
2026-04-30 math.ST stat.ME stat.TH
