分组出席干预中多重成员数据的贝叶斯非参数层次建模

我们为重复测量多重成员 (MM) 数据开发了一种依赖 Dirichlet 过程 (DDP) 模型。这种数据结构出现在以下研究中：干预措施通过一系列元素传递给每位客户，而这些元素在不同场合与其他客户的元素重叠。我们关注的研究设计是，那些以共享或分组方式接受干预的客户的序列发生重叠，且其成员资格可能在多次治疗事件中发生变化。我们的动机应用侧重于评估一种团体治疗干预的有效性，该治疗通过一系列称为模块的认知行为治疗会话块来实施。开放注册协议允许客户在任何新模块开始时加入，这可能会在不同客户间产生独特的 MM 序列。我们从一个模型开始，该模型由客户和多重成员模块随机效应项的加法组成，并假设它们是独立的。我们的 MM DDP 模型通过指定一组由独特模块出席集合索引的客户效应参数随机分布，放宽了客户和模块随机效应条件独立的假设。我们展示了这种结构如何有助于考察重复测量场合下团体治疗模块相对有效性的异质性。