用于分析具有不可忽略缺失响应的纵向数据的贝叶斯分位数半参数混合效应双回归模型

《Statistical Analysis and Data Mining: An ASA Data Science Journal》：Bayesian Quantile Semiparametric Mixed-Effects Double Regression Models for Analyzing Longitudinal Data With Non-Ignorable Missing Responses

分位数回归与自适应LASSO结合的半参数混合效应双重回归模型有效解决了纵向数据中重尾误差和非忽略性缺失问题，采用贝叶斯MCMC算法实现均值与方差协变量的联合建模，并通过模拟与真实数据验证了方法可行性。

　　

摘要

半参数混合效应双回归模型在各种纵向研究应用中展现了令人满意的效能。然而，这些模型的估计通常依赖于误差呈正态分布以及数据完整（无缺失值）的假设。因此，当分析具有重尾特征和/或包含缺失值的纵向数据时，这些限制可能会限制这些模型的实际应用。本文提出了一种基于贝叶斯分位数回归的半参数混合效应双回归模型，用于处理具有不可忽略的缺失响应的纵向数据。在此模型中，分位数回归用于解决数据非正态性问题，而缺失机制则通过逻辑回归模型来定义。我们提出的算法能够同时模拟混合效应的均值和方差作为预测变量的函数，并在不同感兴趣的分位数上研究预测变量的效应。此外，我们利用贝叶斯自适应LASSO层次模型设计了有效的Metropolis-Hastings-within-Gibbs计算算法，用于估计和变量选择。最后，我们通过不同的模拟研究和一个真实数据示例来证明所提出的贝叶斯方法的成功实施。

利益冲突

作者声明没有利益冲突。