含协变量的多变量潜马尔可夫模型中信息性退出的离散时间事件史方法
统计理论
2013-06-10 v1 统计理论
摘要
当响应变量受随时间变化的未观测异质性影响时，潜马尔可夫 (LM) 模型是分析纵向数据的重要工具，这种异质性由隐藏马尔可夫链予以解释。为了在使用此类模型存在信息性退出时避免偏差，我们提出了 LM 方法的事件史 (EH) 扩展，该方法可用于多变量纵向数据，其中在每个时间点观测到一个或多个不同性质的结果。所得模型的 EH 部分涉及区间删失退出，并通过包含在不同模型分量中的相关随机效应来避免 LM 建模中的偏差，这些随机效应遵循共同的马尔可夫链。为了通过期望 - 最大化 (Expectation-Maximization) 算法对 proposed 模型进行最大似然估计，我们扩展了 Baum 和 Welch 的常规后向 - 前向递归。该算法的复杂度与用于非信息性退出情况的算法相同。参数估计的标准误是利用 Oakes 恒等式推导得出的。我们通过一项基于医学研究数据的应用说明了 proposed 方法，该研究关于原发性胆汁性肝硬化，其中有两个感兴趣的结果，第一个是连续的，第二个是二值的。
引用
@article{arxiv.1306.1678,
title = {A discrete time event-history approach to informative drop-out in multivariate latent Markov models with covariates},
author = {Francesco Bartolucci and Alessio Farcomeni},
journal= {arXiv preprint arXiv:1306.1678},
year = {2013}
}