将线性混合模型扩展到具有不可忽略缺失数据的纵向数据中，并应用于艾滋病研究

《Biometrical Journal》：Extending t linear mixed models for longitudinal data with non-ignorable dropout applied to AIDS studies

针对纵向数据中非忽略性缺失及异常值问题，扩展tLME模型并构建蒙特卡洛ECM算法进行联合估计，通过模拟和真实数据验证模型的有效性。

　　

摘要

在纵向数据中，一个典型的缺失模式是“缺失数据”（dropout），即某些参与者可能提前退出研究并不再返回。当缺失值的概率与观测数据和非观测数据都相关时，缺失数据通常被视为一个不可忽视的机制。本文旨在扩展$t$线性混合模型，以应对存在异常值或重尾噪声情况下的不可忽视缺失数据问题。我们采用逻辑链接函数（logistic link function）来描述缺失概率与某些可能因素（包括响应变量和额外协变量）之间的关系。开发了一种蒙特卡洛期望条件最大化算法（Monte Carlo expectation conditional maximization algorithm），用于同时计算逻辑链接函数中的缺失索引参数的最大似然（ML）估计值以及完整数据$t$线性混合效应（tLME）模型的混合效应参数，这些参数具有科学意义。此外，可以使用蒙特卡洛版本的经验信息矩阵（empirical information matrix）来计算ML估计值的标准误差。通过两项模拟研究评估了tLME模型在存在不可忽视缺失数据和异常值情况下的表现。其性能基于信息准则指数（information criteria indices）、固定效应和缺失索引参数的估计精度以及缺失响应的预测准确性进行了比较。通过一个来自艾滋病临床试验的真实世界案例，展示了所提出方法的应用价值，这在分析中考虑不可忽视的缺失数据时具有实际意义。

利益冲突

作者声明没有利益冲突。

数据可用性声明

支持本研究结果的数据可在https://github.com/yuchenyang83/Data_and_Code_tLMEdropout的Data_and_Code_tLME Dropout页面公开获取。

开放研究徽章

本文因公开提供了重现研究结果所需的可共享数据而获得了开放数据徽章。相关数据可在支持信息部分找到。

本文因公开提供了重现研究结果所需的代码而获得了“可复现研究”开放数据徽章。“本文报告的结果完全可以被重现。”