针对具有过多零值的多变量纵向结果的潜在类别贝叶斯模型

潜在类别模型已成功应用于处理不同学科中的复杂数据集。对于纵向结果，我们通常会得到每个个体的结果轨迹，并在此基础上对它们进行聚类以进行强有力的统计推断。潜在类别模型已被用于处理来自生物学、健康科学和经济学的多变量纵向结果。在本文中，我们提出了一种针对具有过多零值的多变量结果的贝叶斯潜在类别模型。对于零膨胀连续结果（如自付医疗费用 OOPME），我们考虑使用 Tobit 模型；对于金融债务，使用两部分模型；对于具有过多零值的计数结果，使用 ZIP 模型。我们开发了贝叶斯混合模型，并采用自适应 Lasso 型收缩方法进行变量选择。我们分析了密歇根大学开展的健康与退休研究的数据，并考虑对衡量老年人身体健康和财务健康的四个重要结果进行建模。我们的分析检测到了不同结果的多个潜在聚类。通过仿真研究验证了所提模型的实用性。