Longitudinal latent variable models given incompletely observed biomarkers and covariates.
Longitudinal latent variable models given incompletely observed biomarkers and covariates.
复制标题
DOI：
10.1002/sim.7022
复制
发表时间：
2016-11-20
影响因子：
2
通讯作者：
Shin, Yongyun
中科院分区：
文献类型：
--
作者：
Ren, Chunfeng;Shin, Yongyun
关键词：
在这篇文章中，我们分析了来自国家健康增长研究的纵向数据的两级潜在变量模型，其中替代结果或生物标记物和协变量在任何水平上都可能缺失。用于有效处理缺失数据的传统方法是将期望的模型重新表示为变量的联合分布，包括生物标记物，这些变量在完全观察到的所有协变量的条件下遭受缺失，并且通过最大似然估计联合模型，然后将其转换为期望的模型。然而，通常情况下，联合模型识别的参数比预期的多。我们证明了过度辨识的联合模型会产生潜在变量模型的有偏估计，并描述了如何对联合模型施加约束，使其与期望模型一一对应，从而实现无偏估计。在缺失数据可忽略的假设下，约束联合模型有效地处理缺失数据，并通过一种改进的期望最大化(EM)算法进行估计。
In this paper, we analyze a two-level latent variable model for longitudinal data from the National Growth of Health Study where surrogate outcomes or biomarkers and covariates are subject to missingness at any of the levels. A conventional method for efficient handling of missing data is to reexpress the desired model as a joint distribution of variables, including the biomarkers, that are subject to missingness conditional on all of the covariates that are completely observed, and estimate the joint model by maximum likelihood, which is then transformed to the desired model. The joint model, however, identifies more parameters than desired, in general. We show that the over-identified joint model produces biased estimation of the latent variable model, and describe how to impose constraints on the joint model so that it has a one-to-one correspondence with the desired model for unbiased estimation. The constrained joint model handles missing data efficiently under the assumption of ignorable missing data and is estimated by a modified application of the expectation-maximization (EM) algorithm.
登录
查看更多内容
影响因子：
5.7
作者：
MENG, XL
通讯作者：
MENG, XL
影响因子：
7.1
作者：
OBARZANEK, E;SCHREIBER, GB;LAKATOS, E
通讯作者：
LAKATOS, E
影响因子：
3.8
作者：
Mahoney, Joseph L.
通讯作者：
Mahoney, Joseph L.
影响因子：
6.3
作者：
Bollen, KA;Curran, PJ
通讯作者：
Curran, PJ
影响因子：
3.6
作者：
Chambers, Julie A.;Swanson, Vivien
通讯作者：
Swanson, Vivien