×

一种双变量稀疏纵向数据同时协方差估计的半参数方法。 (英语) Zbl 1419.62334号

摘要:近年来,许多作者研究了不规则稀疏纵向数据协方差结构的估计,但通常使用全参数规范。此外,当随着时间的推移从多个组收集数据时,众所周知,假设各组的协方差矩阵相同或完全不同可能会导致效率损失和/或偏差。通过在研究组之间共享信息,提出了非参数方法来估计常规单变量纵向数据的协方差矩阵。对于不规则情况,如果纵向测量是二元或多元的,则建模变得更加困难。在本文中,为了对来自多组的二元稀疏纵向数据进行建模,我们通过一种新的矩阵粘性破缺过程来描述剩余协方差结构,并通过一种Dirichlet过程混合法线来描述随机效应,提出了一种灵活的协方差结构。通过仿真研究,研究了该方法相对于传统方法的有效性。我们还分析了Framingham心脏研究数据的子集,以检查不同BMI组(高、中、低)患者在基线时的血压轨迹和协方差结构如何不同。

MSC公司:

62页第10页 统计学在生物学和医学科学中的应用;元分析
2015年1月62日 贝叶斯推断
62J12型 广义线性模型(逻辑模型)
PDF格式BibTeX公司 XML格式引用
全文: 内政部 链接

参考文献:

[1] Bandyopadhyay,偏正态/独立双变量反应的线性混合模型及其在牙周病中的应用,《医学统计学》29页2643–(2010)·doi:10.1002/sim.4031
[2] 布鲁克斯,《监测迭代模拟收敛性的一般方法》,《计算与图形统计杂志》第7卷第434页–(1998年)
[3] Celeux,缺失数据模型的偏差信息标准,贝叶斯分析1第651页–(2006)·Zbl 1331.62329号 ·doi:10.1214/06-BA122
[4] Daniels,M.J.Hogan,J.W.2008纵向研究中缺失的数据:贝叶斯建模和敏感性分析策略·Zbl 1165.62023号
[5] Daniels,纵向数据协方差矩阵和动态模型的贝叶斯分析,Biometrika 89 pp 553–(2002)·Zbl 1036.62019年 ·doi:10.1093/biomet/89.3.553
[6] Das,双变量稀疏纵向数据的全基因组关联研究,《人类遗传》72,第110页–(2011)·数字对象标识代码:10.1159/000330781
[7] Das,《通过纵向数据和时间-事件数据的联合建模实现功能映射的贝叶斯框架》,《国际植物基因组学杂志》2012年第1页–(2012)·数字对象标识代码:10.1155/2012/680634
[8] Das,《医学统计》32页509–(2013a)·Zbl 1016.81039号 ·数字对象标识代码:10.1002/sim.5535
[9] Das,双变量稀疏纵向数据的贝叶斯半参数模型,《医学统计学》32页3899–(2013b)·数字对象标识代码:10.1002/sim.5790
[10] 邓森,《矩阵破胶过程:灵活贝叶斯元分析》,《美国统计协会杂志》103第317页–(2008)·Zbl 1471.62502号 ·doi:10.1198/0162145000001364
[11] 德班,纵向数据主题特定曲线的简单拟合,《医学统计学》24页1153–(2005)·doi:10.1002/sim.1991年
[12] 埃斯科瓦尔,使用混合物的贝叶斯密度估计和推断,《美国统计协会杂志》90页577–(1995)·Zbl 0826.62021号 ·doi:10.1080/01621459.1995.10476550
[13] Gaskins,同步协方差估计的非参数先验,Biometrika 100 pp 125–(2012)·Zbl 1452.62371号 ·doi:10.1093/biomet/ass060
[14] Ghosh,多元纵向数据的半参数贝叶斯方法,澳大利亚和新西兰统计杂志52,第275页–(2010)·Zbl 1373.62381号 ·doi:10.1111/j.1467-842X.2010.00581.x
[15] Ishwaran,Gibbs《破胶前期取样方法》,《美国统计协会杂志》96页161–(2001)·兹比尔1014.62006 ·doi:10.1198/016214501750332758
[16] MacEachern,估计Dirichlet过程模型的混合,《计算与图形统计杂志》6,第223页–(1998年)·Zbl 0918.62064号
[17] Pan,《关于纵向研究中均值-方差结构建模》,Biometrika 90 pp 239–(2003)·Zbl 1039.62068号 ·doi:10.1093/biomet/90.1.239
[18] Pourahmadi,联合均值协方差模型及其在纵向数据中的应用:无约束参数化,Biometrika 86第677页–(1999)·Zbl 0949.62066号 ·doi:10.1093/biomet/86.3.677
[19] Ruppert,半参数回归(2003)·Zbl 1038.62042号 ·doi:10.1017/CBO9780511755453
[20] Sethuraman,Dirichlet先验的构造性定义,《中国统计》第4卷第639页–(1994)·Zbl 0823.62007号
[21] Sithole,用于同时检测两种药物处方变化及相关误差的双变量纵向模型,《应用统计学杂志》34第339页–(2007年)·兹比尔1156.62368 ·网址:10.1080/02664760601005020
[22] Sy,用于分析双变量纵向艾滋病数据的随机模型,《生物统计学》53第542页–(1997)·Zbl 0881.62122号 ·doi:10.2307/2533956
[23] Thiebaut,使用SAS PROC mixed的双变量线性混合模型,《生物医学中的计算机方法和程序》69,第249页–(2002)·Zbl 05462737号 ·doi:10.1016/S0169-2607(02)00017-2
[24] 沃尔克,《肥胖、睡眠呼吸暂停和高血压》,第42页,1067页–(2003年)·doi:10.1161/01.HYP.0000101686.98973.A3
[25] Wu,纵向数据大协方差矩阵的非参数估计,Biometrika 90 pp 831–(2003)·Zbl 1436.62347号 ·doi:10.1093/biomet/90.4.831
[26] 世界卫生组织1995年身体状况:人体测量的使用和解释网址:http://www.who.int/bmi/index
[27] 杨,使用参考先验估计协方差矩阵,《统计年鉴》22页1195–(1994)·Zbl 0819.62013号 ·doi:10.1214/aos/1176325625
此参考列表基于出版商或数字数学图书馆提供的信息。它的项目与zbMATH标识符启发式匹配,并且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。