不规则观察数据中混合模型的偏误：何时需要担心以及如何通过推荐访视间隔帮助确定联合模型

在使用常规收集数据的纵向研究中，例如电子健康记录(EHR)，患者在病情不佳时倾向于获得更多测量值；这种信息性观察模式可能导致偏误。虽然已知针对不规则观察的数据的半参数建模方法对访视过程的误指定高度敏感，但参数模型可能提供更稳健的替代方案。虽然已对参数模型在单纯结果上的稳健性进行了评估，前提是访视强度在给定协变量和随机效应后，对最近一次访视以来时间是独立的。然而，这种记忆无关的访视过程的假设在EHR数据背景下可能并不现实。在包含记忆嵌入访视过程的特殊情况下，我们推导了参数模型中仅针对结果的偏误表达式，并用于识别导致偏误增加的因素。通过模拟研究，我们显示实际情况下这种偏误通常很小。我们提出了诊断方法，以识别结果模型可能对有意义偏误具有不确定性的具体情形，并提出一种新型的联合模型，用于消除或减少偏误。我们将这些诊断和联合模型应用于婴幼儿皮肤炎症的研究。我们建议未来使用EHR数据的研究应避免仅依赖结果模型，而是首先使用我们提出的诊断方法评估其合适性，如有必要则应用联合模型。