吉咪

JM:纵向和时间-事件数据联合建模的R包。在纵向研究中,测量通常是针对每个受试者的不同类型的结果进行收集的。这些可能包括几个纵向测量的反应(如与研究中的医疗条件相关的血值)和特定事件发生的时间(例如死亡、疾病发展或退出研究)。这些结果通常是分开分析的;然而,在许多情况下,联合建模方法要么是必需的,要么可以产生对研究中现象背后的机制的更好的洞察。在本文中,我们提出了适合纵向和时间-事件数据联合模型的R包JM。

这个软件也是同行评审按日记帐JSS公司.


zbMATH中的参考文献(参考文献53条,1标准件)

显示第1到第20个结果,共53个。
按年份排序(引用)
  1. Okine,A.Nii Armah;自由,爱德华W。;石鹏:联合模型预测及其在单项损失准备中的应用(2022)
  2. Bhattacharjee,Atanu:使用R和OpenBUGS的肿瘤学贝叶斯方法(2021)
  3. 莱德贝特,马克K。;Tabacu,Lucia:使用对数分位数估计的模式替代品测试(2021)
  4. 帕帕乔乔,格里戈里奥斯;Rizopoulos,Dimitris:不完全纵向数据共享参数模型中MAR的另一种特征及其在敏感性分析中的应用(2021年)
  5. 徐红军,徐功军,阎钧,黄超宇:用R包REREREG(2021)对复发事件进行回归建模阿尔十四
  6. 托马斯,阿宾;维什瓦卡玛,加詹德拉K。;Bhattacharjee,Atanu:多元蛋白质生物标志物纵向和时间-事件数据的联合建模(2021)
  7. 王晨光,Elizabeth Colantuoni,Andrew Leroux,Daniel O.Scharfstein:idem:A R软件包,用于死亡和失踪临床试验中的推断(2020)不是zbMATH
  8. 徐聪,潘泰利斯Z.哈德吉潘泰利斯,王简玲:生存和纵向数据的半参数联合建模:R包JSM(2020)不是zbMATH
  9. Emma C.Martin,Alessandro Gasparini,Michael J.Crowther:merlin:线性、非线性和用户定义模型的混合效应回归R包(2020)阿尔十四
  10. 菲利普,皮特;希基,格雷姆L。;克劳瑟,迈克尔J。;Kolamunnage Dona,Ruwanthi:时间到事件和多变量纵向数据联合模型的更快蒙特卡罗估计(2020年)
  11. 这是一个叫Thi Thu-Pham,Huong;范和华;Nur,Darfiana:纵向和时间-事件数据的惩罚样条曲线连接模型的贝叶斯推断:先验灵敏度分析(2020)
  12. Viviane Philipps,Boris P Hejblum,Mélanie Prague,Daniel Communiges,Cécile Proust Lima:使用Marquardt-Levenberg算法和R软件包marqLevAlg(2020)进行稳健有效的优化阿尔十四
  13. 张汉泽;黄阳新:基于分位数回归的纵向生存数据贝叶斯联合建模分析及其在艾滋病队列研究中的应用(2020)
  14. Daniel,Communiges:研究疾病或生理标记时处理死亡:因果关系的随机系统方法(2019)
  15. 刘永新;Lin,Lu:分布异质性下的最小模糊分类(2019)
  16. Mazzoleni,Marcella:使用多元联合模型分析大学学生路径(2019)
  17. 卡扬公园;邱培华:通过生存和纵向数据联合建模比较交叉危险率函数(2019年)
  18. 特谢拉,莱蒂娅;苏萨,在尼斯;罗德里格斯,阿纳贝拉;Mendonça,Denisa:临床研究中纵向和竞争风险数据的联合建模(2019年)
  19. Viviani,S.:具有平滑随机效应的GLM型纵向响应和时间到事件的联合模型(2019)
  20. 阿尔贝托·加西亚·埃尔南德斯;Dimitris Rizopoulos:%JM:SAS宏,适用于纵向数据和时间-事件响应的联合广义混合模型(2018)不是zbMATH