结合混合效应隐马尔可夫模型与潜在交替复发事件过程以建模昼夜活动-休息周期
统计方法学
2022-12-13 v2
摘要
从可穿戴设备和智能手机收集的数据可揭示个体的行为与昼夜节律模式。手机使用可建模为在活跃使用状态与闲置状态之间交替的事件过程。马尔可夫链与交替复发事件模型常用于此类状态转移的建模，而引入随机效应可用于刻画昼夜效应。虽然状态标签可在建模动态之前导出，但该方法忽略了可能影响状态归属的信息回归协变量。我们转而提出一种交替复发事件比例风险（PH）回归来建模潜在状态间的转移。我们提出了期望最大化（EM）算法以填补潜在状态标签并估计回归参数。我们表明，E 步可简化为隐马尔可夫模型（HMM）的前向-后向算法，从而恢复出具有逻辑回归转移概率的 HMM。此外，我们表明离散时间转移的 PH 建模隐式地对逻辑回归似然进行惩罚，并给出相对风险的收缩估计量。我们推导了模型参数估计的渐近分布，并通过模拟以及一项追踪心境障碍青少年队列智能手机使用的数字表型研究，将我们的方法与竞争方法进行比较。
引用
@article{arxiv.2201.09179,
title = {Combining Mixed Effects Hidden Markov Models with Latent Alternating Recurrent Event Processes to Model Diurnal Active-Rest Cycles},
author = {Benny Ren and Ian Barnett},
journal= {arXiv preprint arXiv:2201.09179},
year = {2022}
}