.png){kind=icon}
返回
Bayesian shared parameter joint models for heterogeneous populations
.png){kind=icon}
OA
AI
DOI：10.1007/s11222-025-10647-1.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
联合模型（JMs）用于纵向和时间-事件数据是健康与医学研究中一类重要的生物统计模型。当研究人群包含异质性亚群时，标准联合模型可能不够充分，从而导致误导性结果或信息损失。联合潜在类别模型（JLCMs）及其变体已被提出，以将潜在类别结构纳入联合模型中。JLCMs有助于识别潜在亚群，揭示结局变量之间关系的深层见解，并提升预测性能。我们考虑了针对JLCMs通用形式的贝叶斯推断问题，由于后验分布的复杂性，该问题构成了显著的计算挑战。我们提出了一种新的贝叶斯推断框架以应对这些挑战。我们的方法利用了先进的马尔可夫链蒙特卡罗技术以及并行计算，用于参数估计和关于潜在类别数量的模型选择。通过模拟研究，我们展示了所提方法相较于现有方法的可行性与优越性。此外，我们提供了关于模型和先验设定的实用指导，而该方面以往关注较少，旨在促进此类复杂模型的应用实施。我们使用PAQUID前瞻性队列研究的数据说明该方法，其中研究结局包括认知表现的纵向测量值和痴呆诊断的时间。我们的分析为研究人群的潜在类别特征提供了更深层次的见解。
Keyword:
Bayesian inference
Clustering
Joint model
Longitudinal data
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
S
IF:
1.6
论文数:
206
被引数:
0
机构
引用论文
A two-stage approach for Bayesian joint models: Reducing complexity while maintaining accuracy一种贝叶斯联合模型的两阶段方法：在降低复杂度的同时保持精度.png)
IF0
PREAI
分享收藏Bayesian Spline-Based Hidden Markov Models with Applications to Actimetry Data and Sleep Analysis
OAAI
OAAI分享收藏Marginal Likelihood Computation for Model Selection and Hypothesis Testing: An Extensive ReviewSIAM REVIEWOAAI
SIAM REVIEWIF6.1
OAAI分享收藏
查看更多内容