Los puntos clave no están disponibles para este artículo en este momento.
La armonización de datos es el proceso de desarrollar una equivalencia entre dos mediciones de un dominio común. Nuestro problema está motivado por la investigación sobre la demencia en la que se han utilizado múltiples pruebas neuropsicológicas en la práctica para medir la misma capacidad cognitiva subyacente, como la memoria o la atención. Conectamos este problema estadístico a la estimación de distribución de mezcla común en enfoques Bayesianos empíricos. Introducimos y estudiamos un modelo de rasgo latente no paramétrico, desarrollamos un método que garantiza la unicidad del estimador de máxima verosimilitud regularizada, mostramos cómo un algoritmo EM no paramétrico convergerá débilmente a su maximizador e ilustramos su superior eficiencia computacional en comparación con resolutores estándar. Además, desarrollamos métodos para la selección de modelos y la evaluación de la calidad del ajuste para el modelo de medición, un área descuidada en la mayoría de los problemas de estimación de distribución de mezcla. Desarrollamos métodos para la conversión de puntuaciones con cuantificación de incertidumbre para poder realizar inferencias sobre toda una población con múltiples escalas de puntuación. Aplicamos nuestro método al Conjunto de Datos Uniforme del Centro Nacional de Coordinación de Alzheimer y mostramos que podemos utilizar nuestro método para convertir entre mediciones de puntuación y tener en cuenta el error de medición. Mostramos que este método supera a las técnicas estándar comúnmente utilizadas en la investigación sobre la demencia.
Wilkins‐Reeves et al. (Sun,) estudiaron esta cuestión.