基于电子健康记录的高度不规则函数广义线性回归
统计方法学
2022-05-10 v2
摘要
本文提出了一种称为 MISFIT 的新方法，用于拟合具有稀疏且不规则采样数据的广义函数线性回归模型。现有方法除非假设每条曲线的观测点数量随样本量增长得足够快，否则无法进行一致估计。相比之下，MISFIT 基于多重插补框架，有望在不作此假设的情况下产生一致估计。同样重要的是，它传播了曲线未被完全观测所带来的不确定性，从而能够更准确地评估参数估计的不确定性，这是目前大多数方法无法做到的。本工作受一项关于巨颅症（即异常大的头围）的纵向研究推动，其中电子病历允许收集大量数据。然而，不同儿童之间的采样差异极大。使用 MISFIT，我们能够清晰地证明，与巨颅症相关的病理状况的发生既与儿童的总体头围有关，也与其头部生长速度有关。
引用
@article{arxiv.1805.08518,
title = {Highly Irregular Functional Generalized Linear Regression with Electronic Health Records},
author = {Justin Petrovich and Matthew Reimherr and Carrie Daymont},
journal= {arXiv preprint arXiv:1805.08518},
year = {2022}
}
备注
5 figures, 17 tables (including supplementary material), 34 pages (including supplementary material)