×
埃尔法努尔·霍克（Md Erfanul Hoque）;埃利夫·阿卡尔（Elif F.Acar）。;马哈茂德·托拉比

非平衡和不等间距纵向数据的时间异质D-vine copula模型。 （英文） Zbl 1522.62148号

生物计量学 79，第2期，734-746（2023年）.
摘要：在许多纵向研究中，测量的次数和时间因研究对象而异。对这些数据的统计分析需要考虑到不平衡的研究设计和重复测量的不等间距。本文提出了一种时间异质D-vine copula模型，该模型允许在不等间距和潜在不平衡纵向数据的依赖结构中进行时间调整。所提出的方法不仅比时间同质的方法更具灵活性，而且还允许在树或藤蔓级别对给定的D-藤蔓结构进行节约型模型规范。它进一步提供了一种稳健的策略来指定非高斯纵向数据的联合分布。通过仿真研究和实际数据应用，评估了时间异质D-vine copula模型的性能。我们的研究结果表明，与线性混合效应模型和时间齐次D-vine copula模型相比，该方法的预测性能有所提高。
{©2022国际生物识别学会。}

MSC公司：

62页第10页 统计学在生物学和医学中的应用；元分析

关键词：

交配;D-葡萄;纵向研究;缺少数据;时间异质性

软件：

国家实验室
PDF格式BibTeX公司 XML格式引用
\textit{M.E.Hoque}等人，《生物统计学》79，第2期，734--746（2023年；Zbl 1522.62148）
全文： 内政部

参考文献：

[1] Aas，K.，Czado，C.，Frigessi，A.和Bakken，H.（2009）多重依赖的成对连接结构。《保险：数学与经济学》，第44期，第182-198页·Zbl 1165.60009号
[2] Akaike，H.（1974）统计模型识别的新视角。IEEE自动控制汇刊，19716-723·Zbl 0314.62039号
[3] Bedford，T.和Cooke，R.M.（2002）Vines——相依随机变量的新图形模型。《统计年鉴》，301031-1068·Zbl 1101.62339号
[4] Diggle，P.（2002）《纵向数据分析》。牛津：牛津大学出版社。
[5] Dißmann，J.、Brechmann，E.C.、Czado，C.和Kurowicka，D.（2013）选择和估算常规藤交链并应用于财务收益。计算统计与数据分析，59，52-69·Zbl 1400.62114号
[6] Fitzmaurice，G.、Davidian，M.、Verbeke，G.和Molenberghs，G.（2008）。纵向数据分析。纽约：CRC出版社。
[7] Flebach，N.H.、Hebert，P.R.、Stampfer，M.J.、Colditz，G.A.、Willett，W.C.、Rosner，B.等人（1989）《女性高血压和心血管疾病的前瞻性研究》。美国流行病学杂志，130646-654。
[8] Frees，E.W.和Wang，P.（2006）总损失模型的Copula可信度。保险：数学与经济学，38，360-373·Zbl 1132.91489号
[9] Haff，I.H.（2013）对连接构造的参数估计。伯努利，19，462-491·Zbl 1456.62033号
[10] Hasler，C.、Craiu，R.V.和Rivest，L.‐P。（2018）Vine copula用于单调无响应插补。《国际统计评论》，86，488-511·Zbl 07763615号
[11] Hoque，M.E.和Torabi，M.（2018）用协变量测量误差对纵向数据的随机效应协方差矩阵进行建模。医学统计，374167-4184。
[12] Joe，H.（1997）多元模型和多元依赖概念。纽约：CRC出版社·Zbl 0990.62517号
[13] Joe，H.（2005）基于copula模型的两阶段估计方法的渐近效率。多元分析杂志，94401-419·Zbl 1066.62061号
[14] Jones，R.H.和Ackerson，L.M.（1990）不等间距纵向数据中的序列相关性。Biometrika，77，721-731。
[15] Jones，R.H.和Boadi‐Boateng，F.（1991）具有AR（1）序列相关性的不等距纵向数据。生物计量学，47161-175。
[16] Killiches，M.和Czado，C.（2018）基于D-vine copula的重复测量模型扩展了具有齐次相关结构的线性混合模型。生物统计学，74997-1005·Zbl 1414.62450号
[17] Kraus，D.和Czado，C.（2017）基于D-vine copula的分位数回归。计算统计与数据分析，110，1-18·Zbl 1466.62118号
[18] Lambert，P.和Vandenhende，F.（2002）基于copula的多变量非正态纵向数据模型：对一种新型抗抑郁药剂量滴定安全性研究的分析。医学统计，213197-3217。
[19] MacMahon，S.、Peto，R.、Collins，R.，Godwin，J.、Cutler，J.和Sorlie，P.等人（1990年），血压、中风和冠心病：第1部分，血压的长期差异：针对回归稀释偏差校正的前瞻性观察研究。《柳叶刀》，335765-774。
[20] Mathewson，F.A.、Brereton，C.C.、Keltie，W.A.和Paul，G.I.（1965）《马尼托巴大学随访研究：心血管疾病的前瞻性调查：第一部分：冠心病的一般描述——死亡率和发病率》。加拿大医学会杂志，92947-953。
[21] Molenberghs，G.和Verbeke，G.（2005年）。离散纵向数据模型。纽约：斯普林格·Zbl 1093.62002号
[22] Nunez‐Anton，V.和Woodworth，G.G.（1994），利用不等间距观测值和时间相关误差分析纵向数据。生物统计学，50445-456·Zbl 0825.62775号
[23] Pinheiro，J.、Bates，D.、DebRoy，S.、Sarkar，D.和R核心团队（2013）nlme：线性和非线性混合效应模型。R包版本，3111。
[24] Rabkin，S.W.、Mathewson，A.L.和Tate，R.B.（1978）从收缩压和舒张压预测缺血性心脏病和脑血管病的风险。《内科年鉴》，88，342-345。
[25] Rosner，B.和Muǹoz，A.（1988）用不等间距检验分析纵向数据的自回归模型。医学统计学，759-71。
[26] Shi，P.、Feng，X.和Boucher，J.P.（2016）使用copula的保险索赔的多级建模。应用统计年鉴，10834-863·Zbl 1400.62238号
[27] Shults，J.和Chaganty，N.R.（1998）使用准最小二乘法分析序列相关数据。生物统计学，54，1622-1630·Zbl 1058.62553号
[28] Sklar，M.（1959）《重新划分维度和边界的函数》。巴黎大学统计研究所出版物，8229-231·Zbl 0100.14202号
[29] Smith，M.，Min，A.，Almeida，C.和Czado，C.（2010）使用序列相关性的对copula分解对纵向数据进行建模。美国统计协会杂志，105，1467-1479·Zbl 1388.62171号
[30] Sun，J.、Fress，E.W.和Rosenberg，M.A.（2008）使用连接函数的重尾纵向数据建模。保险：数学与经济学，42817-830·Zbl 1152.91605号
[31] Tate，R.B.、Cuddy，T.E.和Mathewson，F.A.（2014）队列概况：马尼托巴省后续研究（MFUS）。《国际流行病学杂志》，441528-1536。
[32] Whelton，P.K.（1994）《高血压流行病学》。《柳叶刀》（英国伦敦），344101-106。
[33] 世界卫生组织。（2002）《2002年世界卫生报告：减少风险，促进健康生活》。https://www.who.int/publications/i/item/9241562072。
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。