Longitudinal Principal Manifold Estimation
针对纵向磁共振成像中脑区形状和体积估计变异性大的问题，提出纵向主流形估计方法，利用平滑样条平滑主流形嵌入函数系数并支持自相交流形，有效提升了脑区曲面估计和分割的准确性。
2024-07-24 stat.AP
Selective Inference for Sparse Multitask Regression with Applications in Neuroimaging
本文针对神经影像中多任务稀疏回归问题提出选择性推断框架，通过细化选择事件构造可解的选择调整似然，实现有效置信区间，并在ABCD数据上验证其优于数据拆分方法。
2023-08-10 stat.AP stat.ME stat.ML
Estimating the Effect of Central Bank Independence on Inflation Using Longitudinal Targeted Maximum Likelihood Estimation
独立的中央银行可以降低一国通货膨胀的观点是一个有争议的假设。迄今为止，还无法令人满意地回答这个问题，因为产生这些数据的复杂宏观经济结构尚未充分纳入统计分析。我们开发了一个因果模型，总结了通货膨胀的经济过程。基于这一因果模型和最近的数据，我们讨论和确定的假设下，中央银行的独立性对通货膨胀的影响可以识别和估计。考虑到这些假设和替代假设，我们使用现代双稳健效应估计器来估计这种效应，即，纵向目标最大似然估计。估计过程采用了机器学习算法，并针对复杂的纵向宏观经济数据相关的挑战进行了调整。我们并没有找到强有力的证据来支持长期独立的中央银行必然会降低通货膨胀的假设。仿真研究评估了所提出的方法在复杂环境中的敏感性，当某些假设被违反时，并强调了使用适当的学习算法进行估计的重要性。
2021-05-14 econ.EM stat.AP
A recipe for accurate estimation of lifespan brain trajectories, distinguishing longitudinal and cohort effects
我们解决的问题是估计大脑的不同部分如何在整个生命周期中发展和变化，以及这些轨迹如何受到遗传和环境因素的影响。这些寿命轨迹的估计在统计学上具有挑战性，因为它们的形状通常是高度非线性的，尽管真正的变化只能通过纵向检查来量化，但由于神经影像学研究中的随访间隔通常覆盖不到寿命的10%，因此必须使用横截面信息。纵向分析中常用的线性混合模型（LLM）和结构方程模型（SEM）依赖于通常不符合寿命数据的假设，特别是当数据由多项研究的观察结果组合而成时。虽然LVMs需要多项式函数形式的先验规范，但SEM不容易处理测量之间具有非结构化时间间隔的数据。广义添加剂混合模型（GAMM）提供了一个有吸引力的替代方案，在本文中，我们提出了各种方式制定GAMM估计寿命轨迹的12个大脑区域，使用大型纵向数据集和现实的模拟实验。我们表明，GAMM能够更准确地拟合寿命轨迹，区分纵向和横截面效应，并估计遗传和环境暴露的影响。最后，我们讨论并对比了与寿命研究相关的问题，这些问题严格要求重复测量数据，并且可以用每个参与者的单个测量来回答问题，并且在后一种情况下，简化了需要做出的假设。这些例子都附有R代码，为有兴趣使用GAMM的研究人员提供了一个教程。
2020-11-19 stat.AP
A novel smoothing-based goodness-of-fit test of covariance for multivariate sparse functional data
本文提出一种基于平滑的多元稀疏函数型数据协方差拟合优度检验，扩展单变量检验并引入多元统计量，提高功效，应用于ADNI和PPMI数据验证实用性。
2025-03-27 stat.AP stat.ME
A Comparison of Full Information Maximum Likelihood and Machine Learning Missing Data Analytical Methods in Growth Curve Modeling
本研究通过蒙特卡洛模拟比较FIML与机器学习插补方法在增长曲线建模中的表现，发现FIML在模型估计准确性和效率上更优。
2023-12-28 stat.AP
Learning Signal Subgraphs from Longitudinal Brain Networks with Symmetric Bilinear Logistic Regression
现代神经成像技术与最先进的数据处理管道相结合，使得收集不同年龄个体大脑连接体的纵向观察成为可能。研究大脑连接性如何随时间变化与人类认知特征的关系具有重大的科学意义。在脑连接组学中，个体的结构性脑网络对应于脑区域之间的一组互连。我们提出了一个对称的双线性逻辑斯谛回归学习一组小的子图相关的二进制结果从纵向脑网络，以及估计的时间效应的子图。我们强制提取的信号子图具有团结构，其具有吸引人的解释，因为它们可以与神经电路相关。每个信号子图的时间效应反映了其对结果的预测效果如何随时间变化，这可能会提高我们对大脑结构老化和神经系统疾病之间相互作用的理解。这种方法在纵向脑连接组学和认知能力数据上的应用显示了有趣的发现，即额叶和颞叶中的一小组脑区域之间的相关互连具有比竞争对手更好的预测性能。
2019-08-15 q-bio.NC stat.AP
Likelihood analysis for a class of beta mixed models
Beta回归模型是单位区间上连续响应变量的合适选择。随机效应进一步增加了模型的灵活性，并适应分层、重复测量和纵向等数据结构，这些数据结构通常会引起额外的变异性和/或依赖性。无法获得用于参数估计的闭合表达式，需要数值方法，并可能与采样算法相结合。我们专注于似然推理和相关算法的分析β混合模型的动机与分组数据结构的两个真正的问题。第一项是以分层抽样方法收集资料，研究产业工人的生活质量指数。第二个是一个嵌套和纵向数据结构的研究，评估水电站的影响，对水质指标的措施，下游和水库的筑坝河流。通过比较替代模型，对相关的科学假设进行了研究。分析使用不同的算法，包括数据克隆，一种替代数值近似，也评估可识别性。将基于轮廓似然的置信区间与通过渐近二次近似法获得的置信区间进行比较，显示与随机效应相关的参数的相关差异。
2014-01-15 stat.AP
Effect of breastfeeding on gastrointestinal infection in infants: A targeted maximum likelihood approach for clustered longitudinal data
母乳喂养干预试验的促进（PROBIT）集群随机一个项目，鼓励母乳喂养的新母亲在医院中心。最初的研究表明，这种干预成功地增加了母乳喂养的持续时间，降低了新生儿胃肠道感染的发生率。科学界和大众的另一个兴趣在于确定母乳喂养时间延长对胃肠道感染的因果影响。在这项研究中，我们估计预期的感染计数在不同长度的母乳喂养，以估计母乳喂养时间对感染的影响。由于存在基线和时间依赖性混杂，需要专门的“因果”估计方法。我们证明了双稳健的方法，有针对性的极大似然估计（TMLE）在本申请的上下文中，并回顾了一些相关的方法和调整需要考虑聚类。我们比较TMLE（实现参数和使用数据自适应算法），以其他因果关系的方法，这个例子。此外，我们进行了模拟研究，以确定（1）控制聚类指标的有效性时，集群特定的混杂因素是不可测量的和（2）使用数据自适应TMLE的重要性。
2014-07-31 q-bio.QM stat.AP
Joint Model for Survival and Multivariate Sparse Functional Data with Application to a Study of Alzheimer's Disease
阿尔茨海默病（AD）的研究通常收集多个纵向临床结果，这些结果与AD进展相关并可预测AD进展。研究结果与AD发作时间之间的关系具有重大的科学意义。我们将多个纵向结果建模为多变量稀疏函数数据，并提出了一个将多变量函数数据与事件时间数据联系起来的函数联合模型。特别是，我们提出了一个多变量函数混合模型（MFMM），以确定共享的进展模式和结果的特定进展模式的结果，这使得更多的解释建模的结果和AD发病之间的关联。所提出的方法被应用到阿尔茨海默病神经影像学倡议研究（ADNI）和功能关节模型揭示了新的光推理的五个纵向结果及其与AD发病的关联。仿真研究也证实了所提出的模型的有效性。
2020-12-03 stat.AP stat.CO stat.ME
GEE-TGDR: A longitudinal feature selection algorithm and its application to lncRNA expression profiles for psoriasis patients treated with immune therapies
随着高通量技术的快速发展，纵向基因表达实验在生物医学领域变得越来越普遍。广义估计方程（GEE）方法是一种广泛应用于纵向数据分析的统计方法。在纵向组学数据分析中，特征选择是必不可少的。在现有的各种特征选择方法中，一种嵌入式方法，即阈值梯度下降正则化（TGDR），由于其优良的特性而脱颖而出。将全球平等与发展战略相结合是一个很有前途的领域，可以确定相关的标志，解释随着时间的推移结果的动态变化。在这项研究中，我们提出了一种新的纵向结果的特征选择算法：GEE-TGDR。在GEE-TGDR方法中，GEE模型对应的拟似然函数是待优化的目标函数，通过TGDR方法完成优化和特征选择。我们应用GEE-TGDR方法纵向lncRNA基因表达数据集，检查银屑病患者对免疫治疗的治疗反应。在不同的工作相关性结构下，鉴定了包括10个相关lncRNA的列表，预测准确率为80%，并具有有意义的生物学解释。最后，广泛应用的建议GEE-TGDR方法在组学数据分析。
2020-08-11 stat.AP
A Latent Trait Model for Multivariate Longitudinal Data With Two Sources of Measurement Error
人格特质是潜在的变量，因此，不使用评估是不可能测量的。对评估的反应可能受到瞬态（状态相关）误差和测量误差的影响，从而掩盖了真实的性状水平。通常，这些评估使用Likert量表，仅产生离散数据。由于数据的离散性而造成的信息损失是评估这些工具测量潜在感兴趣特征的能力的另一个挑战。本文讨论了一个模型中的参数估计问题，该模型涉及一个潜在变量，以及当数据是纵向的并且使用Likert标度测量时的瞬态误差和测量误差分量。详细介绍了两种参数估计的方法：相关重建，一种使用多元相关的方法，以及使用随机期望最大化算法实现的极大似然。这些方法被应用到一个激励数据集的440名大学生在两个月的时间内采取两次大五清单。
2017-05-31 stat.AP
Poisson-Tweedie mixed-effects model: a flexible approach for the analysis of longitudinal RNA-seq data
我们提出了一种新的建模方法，纵向计数数据的动机是越来越多的可用性纵向RNA测序实验。RNA-seq计数的分布通常表现出过度分散、零膨胀和重尾;此外，在纵向设计中，来自同一受试者的重复测量通常（正）相关。我们提出了一个广义线性混合模型的基础上的Poisson-Tweedie分布，可以灵活地处理上述功能的纵向过度分散计数。我们开发了一种计算方法来准确地评估所提出的模型的可能性，并进行极大似然估计。我们的方法在R包ptmixed中实现，可以从CRAN免费下载。我们评估了ptmixed在模拟数据上的性能，并将其应用于健康和营养不良小鼠的纵向RNA测序测量数据集。Poisson-Tweedie混合效应模型的适用性不限于纵向RNA-seq数据，但它扩展到任何情况下，其中离散过度分散的响应变量的非独立测量是可用的。
2020-08-26 stat.AP stat.CO stat.ME
Optimising data for modelling neuronal responses
在本技术说明中，我们解决了神经影像统计学中一个尚未解决的挑战：如何确定几个数据集中哪一个最适合推断神经元反应。这种比较对于实验者在选择成像协议时以及对于新采集方法的开发者来说是重要的。然而，一个数据集优于另一个数据集的假设无法使用常规统计（基于似然比）进行测试，因为这些假设要求数据在每个假设下都相同。在这里，我们提出了贝叶斯数据比较，一个原则性的框架，用于评估功能成像数据的质量，在精度方面，神经元连接参数可以估计和竞争模型可以消除歧义。对于几个候选数据集中的每一个，使用动态因果建模（DCM）推断神经元反应-一种用于对神经成像数据进行建模的常用贝叶斯过程。接下来，使用贝叶斯一般线性模型（GLM）在组水平总结特定于受试者的模型的参数。然后，我们在这里介绍的一系列措施，用于评估每个数据集（组级）参数估计的精度和数据区分相似模型的能力。为了验证这种方法，我们比较了在一项评估多波段fMRI采集方案的研究中采集的四个数据集。为了使人们能够使用自己的数据和实验范例重现这些分析，我们通过SPM软件提供了通用的Matlab代码。
2018-05-20 stat.AP
An Adjusted Likelihood Ratio Test for Separability in Unbalanced Multivariate Repeated Measures Data
本文提出了一种不平衡多元重复测量数据的两因子可分性（Kronecker乘积结构）的调整似然比检验。在这里，我们解决了特定的情况下，在主题内的相关性被认为是在两个维度上呈指数下降（例如，时间和空间维度）。然而，该测试可以很容易地推广到任何结构的因子特定矩阵。一个模拟研究进行评估的推理准确性的建议测试。纵向医学影像资料有关精神分裂症和尾状核形态说明了方法。
2011-02-01 stat.AP stat.ME
A Bayesian Longitudinal Spatial Normative Model for Individualized Brain Deviation Mapping
University of South Carolina（南卡罗来纳大学）
本文提出了一种贝叶斯纵向空间规范模型，通过统一的分层框架联合捕捉个体内部时间依赖性和空间结构化的个体偏差，从而在多个模拟场景中减少了偏差图重建误差，并在OASIS-3结构MRI数据应用中显著降低了RMSE。
2026-05-18 math.ST stat.AP stat.ME
Estimating Mean Viral Load Trajectory from Intermittent Longitudinal Data and Unknown Time Origins
针对感染日期未知且随访不完整的纵向病毒载量数据，提出基于多元正态模型与EM算法的似然方法，重建每日平均SARS-Cov-2病毒载量轨迹，并用于以色列Ct值数据。
2023-08-17 stat.AP
Generalized Bayesian Clustering with Regression for Unaligned Longitudinal Binary Data
Texas A&M University（德克萨斯农工大学）；University of Colorado Anschutz（科罗拉多大学安舒茨分校）；University of Texas at Austin（德克萨斯大学奥斯汀分校）
针对未对齐纵向二元数据，提出带回归的广义贝叶斯聚类模型，结合轨迹相似性与回归损失，用切片沃尔什斯坦因距离实现无对齐比较，以狄利克雷过程定义聚类参数先验，解决单一生成模型的设定或效率问题。
2026-09-02 stat.AP stat.CO stat.ME
A two-part finite mixture quantile regression model for semi-continuous longitudinal data
本文针对半连续纵向数据建立了一个两部分有限混合分位数回归模型。所提出的方法允许异质性来源，影响模型的二进制响应变量，也影响积极的结果的分布。正如分位数回归文献中常见的那样，对模型参数的估计和推断基于非对称拉普拉斯分布。通过期望最大化算法获得最大似然估计，而无需对随机效应分布进行参数假设。此外，惩罚版本的期望最大化算法的变量选择的问题。所提出的统计方法应用于著名的兰德健康保险实验数据集，进一步了解其经验行为。
2020-10-23 stat.AP stat.ME
PROFIT: Projection-based Test in Longitudinal Functional Data
本文提出PROFIT方法，通过数据驱动正交投影降维和基于似然的假设检验，检验纵向函数型数据均值函数是否随时间变化，并应用于MS患者FA数据评估脑组织退化。
2023-10-02 stat.AP stat.ME
Finite mixture copulas for modeling dependence in longitudinal count data
针对标准椭圆copula在纵向计数数据相关性建模中灵活性不足的问题，提出有限混合椭圆copula方法，通过理论分析、模拟和真实数据验证了其性能优势。
2025-01-19 stat.AP stat.ME
An Approximate Maximum Likelihood Estimator for Discretely Observed Linear Birth-and-Death Processes
针对离散观测线性生灭过程的参数估计难题，提出基于转移概率高斯近似的近似最大似然估计量，将估计转化为一元优化问题，在模拟和克隆造血数据中展现更高速度、精度及尺度不变性。
2025-08-22 stat.AP stat.CO
An empirical comparison of some outlier detection methods with longitudinal data
Italian National Institute of Statistics – Istat（意大利国家统计研究所）
本研究针对纵向数据异常值检测问题，对比官方统计传统方法与数据挖掘、机器学习领域的相关方法，通过面板调查数据实验验证了后者灵活性更强、可处理多维数据且部分场景效果更优。
2025-07-28 cs.LG stat.AP stat.ME
Tree-based Subgroup Discovery In Electronic Health Records: Heterogeneity of Treatment Effects for DTG-containing Therapies
电子健康档案（EHR）提供的丰富的纵向个体水平数据可用于检查处理效应异质性。然而，使用EHR数据估计处理效应带来了一些挑战，包括时变混杂、协变量的重复和时间不一致测量、治疗分配和结局以及由于脱落导致的失访。在这里，我们开发了纵向数据的亚组发现（SDLD）算法，一种基于树的算法，用于通过将广义交互树算法（一种用于亚组发现的通用数据驱动方法）与纵向目标极大似然估计相结合，使用纵向数据发现具有异质处理效应的亚组。我们将该算法应用于EHR数据，以发现人类免疫缺陷病毒（HIV）感染者的亚组，他们在接受含度鲁特韦的抗逆转录病毒治疗（ART）时体重增加的风险高于接受不含度鲁特韦的ART时。
2022-08-30 stat.AP stat.ME stat.ML
Fast and flexible inference for joint models of multivariate longitudinal and survival data using Integrated Nested Laplace Approximations
本文提出基于R-INLA的贝叶斯近似方法，加速多元纵向与生存数据联合模型的推断，减少计算负担和估计变异性，并成功应用于原发性胆汁性胆管炎临床试验中的多标记竞争风险分析。
2023-07-12 stat.AP stat.CO stat.ME
Estimation and Inference for High-dimensional Multi-response Growth Curve Model
本文针对高维多响应增长曲线模型，提出基于Kronecker积分解和多步估计的新方法，实现有效估计与严格推断，并通过模拟和阿尔茨海默病数据验证其有效性。
2023-12-28 q-bio.NC stat.AP stat.ME
