Investigamos un enfoque de regresión de coeficientes variables no paramétricos para modelar y estimar los efectos de regresión causados por dos conjuntos de datos funcionalmente correlacionados. Debido a la tecnología biomédica moderna para medir múltiples características de pacientes durante un intervalo de tiempo o intermitentemente en varios puntos de tiempo discretos para revisar los mecanismos biológicos subyacentes, los modelos estadísticos que no incorporan adecuadamente intervenciones y sus respuestas dinámicas pueden llevar a estimaciones sesgadas de los efectos de la intervención. Proponemos un modelo de regresión de función sobre función con punto de cambio de parámetro compartido para evaluar las tendencias temporales pre y post-intervención y desarrollar un método basado en verosimilitud para estimar los efectos de la intervención y otros parámetros. También proponemos nuevos métodos para estimar y probar hipótesis sobre parámetros de regresión para datos funcionales a través del espacio de Hilbert del núcleo reproductor. Los estimadores de los parámetros de regresión son en forma cerrada sin cálculo de la inversa de una matriz grande, por lo tanto, son menos exigentes computacionalmente y más aplicables. Al establecer un teorema de representación y un teorema límite central funcional, se obtienen las propiedades asintóticas de los estimadores propuestos y se proponen las pruebas de hipótesis correspondientes. La aplicación y las propiedades estadísticas de nuestro método se demuestran a través de un ensayo clínico de inmunoterapia de mieloma avanzado y estudios de simulación.