面向行为 mHealth 数据的贝叶斯时变效应模型
统计方法学
2021-12-17 v1 应用统计
摘要
移动健康（mHealth）设备融入行为健康研究，从根本上改变了研究人员和干预者收集数据以及部署和评估干预策略的方式。在这些研究中，研究人员常使用生态瞬时评估方法收集密集型纵向数据（ILD），旨在近实时地捕捉可能与行为结果相关的心理、情绪和环境因素。为研究一项基于智能手机的戒烟研究中收集的 ILD，我们提出一种针对时变效应模型的贝叶斯变量选择方法，旨在识别戒烟尝试关键时期潜在风险因素与吸烟行为之间的动态关系。我们利用参数扩张和数据增广技术高效探索这些关系的底层结构如何随时间和个体变化。我们通过为回归系数引入非参数先验来深化对这些关系的理解，该先验对风险因素的相似效应进行聚类，同时确定其是否被纳入。结果表明，我们的方法能很好地帮助研究人员在戒烟尝试的关键时期有效评估、设计和提供量身定制的干预策略。
引用
@article{arxiv.2009.09034,
title = {A Bayesian Time-Varying Effect Model for Behavioral mHealth Data},
author = {Matthew D. Koslovsky and Emily T. Hebert and Michael S. Businelle and Marina Vannucci},
journal= {arXiv preprint arXiv:2009.09034},
year = {2021}
}