联合潜类树:一种建模事件时间与纵向数据的基于树的方法
统计方法学
2020-10-09 v4
摘要
在本文中,我们提出一种半参数、基于树的联合潜类建模方法(JLCT),用于建模纵向数据与事件时间数据的联合行为。现有的联合潜类建模方法是参数化的,且可能面临较高的计算成本。最常见的参数化方法——联合潜类模型(JLCM)——进一步将分析限制为在建模生存风险与潜类归属时使用时不变协变量。相比之下,所提出的 JLCT 拟合速度快,且可在其所有建模组件中使用时变协变量。我们在模拟数据上展示了使用时变协变量的预后价值,从而证明了 JLCT 相对于 JLCM 的优势。我们进一步将 JLCT 应用于 PAQUID 数据集,并证实了其在预测性能上优于 JLCM 且速度提升数个数量级。
引用
@article{arxiv.1812.01774,
title = {Joint Latent Class Trees: A Tree-Based Approach to Modeling Time-to-event and Longitudinal Data},
author = {Ningshan Zhang and Jeffrey S. Simonoff},
journal= {arXiv preprint arXiv:1812.01774},
year = {2020}
}