具有信息性缺失的纵向幅度数据的贝叶斯联合建模：在重症监护数据中的应用
统计方法学
2025-07-16 v2 应用统计
摘要
在各种生物医学研究中，分析通常关注数据幅度，特别是当代数符号无关或丢失时。对于涉及幅度结果的重复测量研究，引入随机效应至关重要，因为它们可以解释个体异质性，从而提高参数估计精度。然而，目前缺乏专门针对幅度结果并包含随机效应的已建立回归方法。本文通过引入用于分析幅度数据的贝叶斯回归建模方法填补了这一空白，重点在于纳入随机效应。所提出的方法进一步扩展以处理信息性缺失的多种原因，这是重复测量研究中的常见挑战。为了应对这一缺失数据挑战，基于所引入的回归技术开发了一种联合建模策略。两个数值模拟研究评估了我们方法的有效性。选择的模拟场景旨在模拟我们激励研究的条件。结果表明，所提出的幅度数据方法在估计精度方面表现良好，联合模型有效减轻了缺失数据导致的偏差。最后，我们将这些模型应用于分析激励研究中的幅度数据，探讨性别是否影响ICU患者膈肌厚度随时间的幅度变化。
引用
@article{arxiv.2405.19666,
title = {Bayesian Joint Modeling for Longitudinal Magnitude Data with Informative Dropout: an Application to Critical Care Data},
author = {Wen Teng and Niall D. Ferguson and Ewan C. Goligher and Anna Heath},
journal= {arXiv preprint arXiv:2405.19666},
year = {2025}
}