随访被死亡截断的纵向数据：使分析方法与研究目的相匹配

已有多种分析方法被提出，用于区分因死亡导致的数据缺失与无应答，并总结被死亡截断的纵向数据的轨迹。我们展示了这些分析方法是如何从纵向数据与生存信息的分布分解中产生的。使用老年人的认知功能数据对模型进行了说明。对于无条件模型，死亡不会发生，死亡与纵向响应无关，或者无条件纵向响应是在生存分布上求平均得到的。无条件模型（例如对不平衡数据拟合的随机效应模型）可能会隐含地插补死亡时间之后的数据。完全条件模型按死亡时间对纵向响应轨迹进行分层。完全条件模型在描述个体轨迹方面是有效的，无论是从衰老（年龄，或距基线的年数）还是从濒死（距死亡的年数）的角度。目前应用的因果模型（主分层）属于完全条件模型，因为在一个时间点的组间差异是在将存活超过更晚时间点的队列中描述的。部分条件模型在存活者的动态队列中总结纵向响应。部分条件模型是响应的序列横截面快照，反映了给定时间点存活者的平均响应，而非个体轨迹。生存与纵向响应的联合模型描述了整个队列不断演变的健康状况。使用纵向数据的研究者应考虑哪种处理死亡的方法与研究目的一致，并相应地选择分析方法。