面向异质性总体的贝叶斯共享参数联合模型
统计方法学
2024-10-31 v1 统计计算
摘要
用于纵向数据和事件发生时间数据的联合模型(JMs)是健康与医学研究中一类重要的生物统计模型。当研究总体由异质性亚组构成时，标准JM可能不适用并导致误导性结果。联合潜在类别模型(JLCMs)及其变体已被提出，用于将潜在类别结构纳入JMs。JLCMs有助于识别潜在亚组结构，更细致地理解纵向结果之间的关系，并提高预测性能。我们考虑了JLCM的通用形式，由于相关模型的似然函数或后验分布在数值上难以处理且具有多模态性，这对频率学派和贝叶斯方法都构成了重大计算挑战。我们聚焦于探索较少的贝叶斯范式，提出了一种新的贝叶斯推理框架，以解决现有方法的关键局限性。我们的算法利用最先进的马尔可夫链蒙特卡洛技术和并行计算进行参数估计和模型选择。通过模拟研究，我们证明了所提方法的可行性和相对于现有方法的优越性。我们的模拟还生成了重要的计算见解和实现此类复杂模型的实用指南。我们使用PAQUET前瞻性队列研究的数据说明了我们的方法，在该研究中，我们联合研究了重复测量的认知评分与痴呆风险之间的关联，以及由纵向结果定义的潜在类别结构。
引用
@article{arxiv.2410.22534,
title = {Bayesian shared parameter joint models for heterogeneous populations},
author = {Sida Chen and Danilo Alvares and Marco Palma and Jessica K. Barrett},
journal= {arXiv preprint arXiv:2410.22534},
year = {2024}
}