Modelos de mistura de padrão com dependência temporal adequada

Recentemente, a modelagem de mistura de padrão tornou-se uma ferramenta popular para modelar dados longitudinais incompletos. Esses modelos são subidentificados no sentido de que, para qualquer padrão de desistência, os dados não fornecem informações diretas sobre a distribuição dos resultados não observados, dados os observados. Uma maneira simples de superar esse problema, a extrapolação ordinária de modelos específicos de padrão suficientemente simples, muitas vezes produz descrições bastante improváveis; vários autores consideram restrições de identificação em vez disso. Molenberghs et al. (1998) construíram restrições de identificação correspondentes ao desaparecimento aleatório. Neste artigo, a família de restrições onde a desistência não depende de observações futuras não observadas é identificada. As ideias são ilustradas usando um estudo clínico com pacientes de Alzheimer.