Ein Zufalls-Muster-Mischmodell für longitudinale Daten mit Abbrüchen

Muster-Mischmodelle werden häufig zur Analyse longitudinaler Daten mit Abbrechern verwendet, da sie keine explizite Spezifikation des Abbruchmechanismus erfordern. Diese Modelle stratifizieren die Daten nach der Zeit bis zum Abbruch und formulieren ein Modell für jede Schicht. Dies führt in der Regel zu einer unzureichenden Identifizierbarkeit, da wir viele muster-spezifische Parameter schätzen müssen, obwohl das tatsächliche Interesse normalerweise auf den marginalen Parametern liegt. In diesem Artikel erweitern wir dieses Framework zu einem Zufalls-Muster-Mischmodell, bei dem die muster-spezifischen Parameter als Störfaktoren behandelt und zufällig statt fest modelliert werden. Das Muster wird gemäß einem Surrogat für den Abbruchprozess definiert. Eine Einschränkung wird dann auf das Muster gelegt, indem es mit der Zeit bis zum Abbruch über ein Überlebensmodell mit Zufallseffekten verknüpft wird. Wir nehmen an, bedingt auf den latenten Mustereffekten, dass der longitudinale Ausgang und der Abbruchprozess unabhängig sind. Dieses Modell behält die Robustheit der traditionellen Muster-Mischmodelle bei, während es das Problem der Überparametrierung vermeidet. Wenn wir jedes Subjekt als separate Schicht definieren, reduziert sich dieses Modell auf das gemeinsame Parametermodell. Die Maximum-Likelihood-Schätzungen werden mit einem EM-Newton-Raphson-Algorithmus gewonnen. Wir wenden die Methode auf die Depressionsdaten aus der Studie zur Prävention von Suizid bei älteren Personen in der Primärversorgung (PROSPECT) an. Wir zeigen, dass die Behandlung, wenn die Abbruchinformationen unter dem vorgeschlagenen Modell angepasst werden, scheint die Depression bei älteren Menschen zu reduzieren.