具有潜在随机过程的贝叶斯联合纵向-生存模型用于密集纵向数据
统计方法学
2024-05-02 v1
摘要
移动健康(mHealth)技术的普及使得密集纵向数据(ILD)的收集成为可能。ILD有潜力捕捉可能与事件风险变化相关的结局快速波动。然而,现有的纵向和事件时间结局联合建模方法由于计算成本高,无法很好地处理ILD。我们提出了一种适用于分析ILD的联合纵向和时间-事件模型。在该模型中,我们将多变量纵向结局概括为较少数量的时变潜在因子。这些潜在因子使用Ornstein-Uhlenbeck随机过程建模,并在参数风险模型中捕捉时间-事件结局的风险。我们采用贝叶斯方法拟合我们的联合模型,并进行模拟以评估其性能。我们将其应用于一项关于戒烟的手机健康研究的数据。我们将九种情绪的自我报告强度概括为积极和消极情感的心理状态。这些时变的潜在状态捕捉了尝试戒烟后首次复吸的风险。了解与吸烟复吸相关的因素对于戒烟研究人员具有重要价值。
关键词
引用
@article{arxiv.2405.00179,
title = {A Bayesian joint longitudinal-survival model with a latent stochastic process for intensive longitudinal data},
author = {Madeline R. Abbott and Walter H. Dempsey and Inbal Nahum-Shani and Lindsey N. Potter and David W. Wetter and Cho Y. Lam and Jeremy M. G. Taylor},
journal= {arXiv preprint arXiv:2405.00179},
year = {2024}
}
备注
Main text is 32 pages with 6 figures. Supplementary material is 21 pages