Key points are not available for this paper at this time.
Ein häufig auftretendes Problem in Längsschnittstudien sind Daten, die aufgrund verpasster Besuche oder Ausfällen fehlen. In der statistischen Literatur lag das Hauptaugenmerk auf monotonen fehlenden Daten (Ausscheiden), während es viel weniger Arbeiten zu intermittierend fehlenden Daten gibt, bei denen ein Proband nach einem oder mehreren versäumten Besuchen zurückkehren kann. Intermittierend fehlende Daten haben eine breitere Anwendbarkeit und können die häufige Situation einschließen, in der Probanden keine gemeinsamen Besuchszeiten haben oder sie zu nicht festgelegten Zeiten erscheinen. In diesem Artikel schlagen wir ein latentes Muster-Mischmodell (LPMM) vor, bei dem die Mischmuster aus latenten Klassen gebildet werden, die die longitudinale Antwort und den Fehlprozess miteinander verbinden. Dies ermöglicht es uns, beliebige Muster fehlender Daten zu behandeln, die durch den Besuchsprozess der Probanden verkörpert werden, und vermeidet die Notwendigkeit, die Mischmuster a priori zu spezifizieren. Eine Annahme unseres Modells ist, dass der Fehlprozess unter der Bedingung der latenten Klassen als bedingt unabhängig von den longitudinalen Ergebnissen angesehen wird. Wir schlagen einen nichtiterativen Ansatz vor, um diese entscheidende Annahme zu bewerten. Das LPMM wird anhand eines Datensatzes aus einer Forschung im Bereich Gesundheitsdienstleistungen veranschaulicht, in der obdachlose Menschen mit psychischen Erkrankungen randomisiert in drei verschiedene Servicepakete eingeteilt wurden und Maßnahmen zur Obdachlosigkeit zu mehreren Zeitpunkten erhoben wurden. Unser Modell deutet auf die Existenz von vier latenten Klassen hin, die die Besuchsmuster der Probanden mit Obdachlosigkeitsergebnissen verknüpfen.
Lin et al. (Di.) haben diese Frage untersucht.