Joint longitudinal and time-to-event models for multilevel hierarchical data
纵向和时间事件数据的联合建模最近受到了很大的关注。越来越多的标准联合建模方法的扩展被提出来处理应用研究中经常遇到的复杂数据结构。在本文中,我们提出了一个联合模型的分层纵向和时间到事件的数据。我们的激励应用程序探讨了非小细胞肺癌患者肿瘤负荷和无进展生存期之间的关系。我们将肿瘤负荷定义为患者体内聚集的靶病灶大小的函数。由于患者可能有多个病变,并且每个病变都随时间进行跟踪,因此数据具有三级分层结构:在患者(3级)内病变(2级)内聚类的时间点(1级)进行重复测量。我们通过指定新的关联结构来联合建模病变特异性纵向轨迹和患者特异性死亡或疾病进展风险,该关联结构将较低级别聚类(例如病变)的信息组合到患者级别的汇总(例如肿瘤负荷)中。我们提供用户友好的软件,用于在贝叶斯框架下拟合模型。最后,我们讨论了其他情况下,额外的聚类因素(S)发生在一个层次结构中的水平高于患者的水平,因为这对模型制定的影响。
2018-05-16 stat.ME
Towards pandemic preparedness: ability to estimate high-resolution social contact patterns from longitudinal surveys
本研究利用德国COVIMOD纵向数据,提出基于逻辑函数调整报告疲劳的统计方法,显著提升社会接触模式估计准确性,验证了纵向调查设计的可行性。
2024-11-06 stat.AP
Multilevel models for continuous outcomes
多层次模型(混合效应模型或分层线性模型)现在是分析社会、行为和医学科学中集群和纵向数据的标准方法。这篇综述文章的重点是连续响应(结果或因变量)的多水平线性回归模型。这些模型可以被视为传统线性回归模型的扩展,以解释数据中的聚类并从中学习。常见的聚类应用包括学校对学生成绩的影响,医院对病人健康的影响,以及邻里对受访者态度的影响。在所有这些例子中,多层次模型允许人们研究回归关系如何在集群之间变化,识别预测这种变化的集群特征,解开在不同分析层次上运行的社会过程,并进行集群特定的预测。常见的纵向应用包括研究个人身高和体重的生长曲线以及个人行为的发展轨迹。在这些例子中,多层次模型允许一个描述和解释增长率的变化,并同时探索预测内和个体间的变化。本文介绍并举例说明了这类功能强大的模型。我们首先集中在最常用的两个水平的随机截距和斜率模型。我们通过两个详细的例子来说明如何将这些模型应用于集群和纵向数据,并在观测和实验设置。然后,我们审查更灵活的三个层次,交叉分类,多个成员和多变量响应模型。最后,我们推荐一系列关于所有这些主题的进一步阅读。
2019-07-12 stat.ME
Multilevel modelling of double-sampled clustered social networks with individual-level data on between-cluster ties
London School of Economics & Political Science(伦敦政治经济学院);Santa Fe Institute(圣塔菲研究所);Max Planck Institute for Evolutionary Anthropology(马克斯·普朗克人类进化研究所)
本文推广社会关系模型(SRM),结合双重抽样与多层次结构方程模型,用MCMC方法估计,推导跨集群网络,以尼加拉瓜农村社区社会支持网络数据验证。
2026-08-28 stat.ME
Methods and Software for the Multilevel Social Relations Model: A Tutorial
本教程演示了二元数据的多级社会关系模型的估计和解释。社会关系模型适用于数据结构,其中个人多次出现作为二元结果的来源和接受者。使用Stat-JR统计软件进行估计,模型适合多种结果类型:连续、计数和二元结果。此外,模型演示了从一个单一的组和多个组的二元数据。通过一系列案例研究说明了建模方法,并提供了用于复制这些分析的数据和软件作为补充文件。
2019-07-22 stat.AP stat.ME
Sample size calculations for multilevel factorial longitudinal cluster randomised trials
本文提出针对多级干预的纵向集群随机试验样本量计算方法,适用于连续型结局,支持评估个体与集群干预及交互作用。
2026-05-01 stat.ME
A Hybrid APIM-CFGM Model for Longitudinal Non-Exchangeable Dyads: Demonstrating and Comparing Estimation Approaches Using Multilevel Modeling
本文提出整合 APIM 与 CFGM 的混合纵向模型,用于小样本、角色可区分二元组,并通过模拟比较虚拟/效应编码及 ML 与贝叶斯估计。
2025-08-31 stat.ME
A Bayesian actor-oriented multilevel relational event model with hypothesis testing procedures
针对多个关系事件序列的建模与假设检验需求,本文提出贝叶斯面向行动者多层关系事件模型,并支持跨网络信息借用及共同、异质互动驱动因素检验。
2023-06-07 cs.SI stat.ME
A Multivariate Multilevel Longitudinal Functional Model for Repeatedly Observed Human Movement Data
针对重复观测的人体运动序列相关纵向函数数据,提出多变量多水平纵向函数模型,采用函数主成分基与标量纵向混合效应建模,在跑者数据中验证了速度的关节效应与个体变化识别能力,并通过模拟证实方法有效性。
2024-08-16 stat.AP stat.ME
Modeling Brain MRI Using Persistent Homology and Multilevel Functional Data Analysis
Texas Tech University(德克萨斯理工大学)
本文提出一个多水平函数型框架,将脑MRI的持续同调摘要(Betti曲线)作为纵向响应建模,并用贝叶斯方法联合估计,应用于OASIS-2数据揭示脑拓扑与临床特征的关联。
2026-09-09 stat.AP stat.ME
Cross-classified multilevel models
交叉分类多级建模是标准多级建模的扩展,用于具有交叉分类结构的非层次数据。传统的多级模型涉及分层数据结构,其中较低级别的单位(如学生)嵌套在较高级别的单位(如学校)中,而这些较高级别的单位又可以嵌套在进一步的分组或集群(如学区、地区和国家)中。在分层数据结构中,每个较低级别的单元精确嵌套在一个且仅一个较高级别的单元中。例如,每个学生上一所学校,每个学校位于一个学区内,等等,然而,社会现实比这更复杂,因此社会和行为数据往往不遵循纯粹或严格的等级制度。实践中经常出现的两种非层次数据结构是交叉分类结构和多成员结构。在这篇文章中,我们描述了交叉分类的数据结构和交叉分类的层次线性模型,可以用来分析它们。
2019-07-04 stat.AP stat.ME
Multiple membership multilevel models
多成员多级模型是标准多级模型的扩展,适用于具有多个成员结构的非层次数据。传统的多级模型涉及分层数据结构,其中较低级别的单元(如学生)嵌套在较高级别的单元(如学校)中,而这些较高级别的单元又可以嵌套在进一步的分组或集群(如学区,地区和国家)中。对于分层数据结构,每个较低级别的单元都精确嵌套在一个且仅一个较高级别的单元中。例如,每个学生上一所学校,每个学校位于一个学区内,等等,然而,社会现实比这更复杂,因此社会和行为数据往往不遵循纯粹或严格的等级制度。实践中经常出现的两种非层次数据结构是交叉分类结构和多成员结构。在这篇文章中,我们描述了多个成员数据结构和多个成员模型,可以用来分析它们。
2019-07-04 stat.AP stat.ME
Fast Meta-Analytic Approximations for Relational Event Models: Applications to Data Streams and Multilevel Data
本文提出基于元分析的近似算法,用于快速拟合关系事件模型,解决大规模关系事件数据流和多层数据在标准计算机上难以分析的计算瓶颈问题,并通过模拟和真实数据验证了方法的准确性与应用价值。
2024-02-27 stat.ME
Dyadic Reciprocity as a Function of Covariates
二元交互中的互惠性是常见的,也是跨学科的感兴趣的话题。在某些情况下,互惠性可能会或多或少地在某些类型的二元体中普遍存在。为了回应研究者在估计二元互惠作为协变量的函数的兴趣,本文提出了一个扩展的多层次社会关系模型。结果变量被假设为二项比例,这在观察和档案研究中很常见。该方法借鉴了多级建模的原则,实现随机截距和斜率之间的二元。相应的方差函数允许计算二进互易相关。该建模方法可以与社会网络分析领域的其他统计模型集成。
2020-05-20 stat.ME
Optimal Multilevel Matching in Clustered Observational Studies: A Case Study of the Effectiveness of Private Schools Under a Large-Scale Voucher System
聚类观察性研究的一个显著特征是其多水平或嵌套数据结构,该数据结构是以非随机方式将治疗分配给单位或个体的组或聚类。这样的例子在健康和社会科学中无处不在,包括医院的病人、公司的员工和学校的学生。聚类观察性研究中的最佳匹配策略是什么?起初,我们可能会从匹配个体集群开始,然后在匹配的集群中继续匹配个体。但正如我们在本文中讨论的那样,最佳策略是相反的:在典型的应用中,如果集群内的相关性不完美,最好首先匹配个体,一旦已知匹配个体的所有可能组合,然后匹配集群。在本文中,我们使用动态和整数规划来实现这一战略和扩展的最佳匹配方法的层次和多级设置。在其他匹配设计中,我们的策略可以通过在根据研究者给出的规范平衡的治疗组和对照组配对中找到治疗组和对照组个体的匹配对的最大样本来近似配对分组随机化研究。该策略直接在聚类和个体水平上平衡协变量,并且不需要估计倾向得分,尽管倾向得分可以作为额外的协变量进行平衡。我们说明我们的研究结果与智利的公立与私立教育券学校的比较有效性的案例研究,在该国激烈的政策辩论的问题,目前。
2016-04-28 stat.ME
Bridging the Gap: Introducing Joint Models for Longitudinal and Time-to-event Data in the Social Sciences
本文介绍联合模型方法,以处理社会科学时间-事件分析中的内生时变变量,并通过婚姻满意度与婚姻解体实例展示其优于经典方法,同时揭示相关关系。
2025-04-25 stat.AP stat.ME
Functional Clustering for Longitudinal Associations between Social Determinants of Health and Stroke Mortality in the US
提出一种带正则化期望最大化的功能聚类方法,分析美国各县健康社会决定因素与中风死亡率的纵向关联,识别出18个关键因素并将各县划分为两个聚类,揭示了区域异质性。
2025-02-01 stat.AP stat.ME
Multilevel Primary Aim Analyses of Clustered SMARTs: With Applications in Health Policy
针对集群SMART中嵌套纵向结局下自适应干预比较的方法缺口,提出三层边际均值建模估计方法,相较现有两层方法统计效率更高,可用于构建改善校本循证CBT采纳的自适应卫生政策。
2025-09-02 stat.AP stat.ME
Dynamic Latent Class Structural Equation Modeling: A Hands-On Tutorial for Modeling Intensive Longitudinal Data
University of Tübingen(蒂宾根大学);University of Zürich(苏黎世大学);University of Kassel(卡塞尔大学)
本文提供了一套动手指南,指导如何在JAGS中实现动态潜在类别结构方程模型,用于分析密集纵向数据。
2026-03-03 stat.ME
A mixed effects model for longitudinal relational and network data, with applications to international trade and conflict
本文的重点是纵向社会网络或关系数据的建模方法。这些数据来自于在规则的时间间隔上对成对的对象或行为者进行的测量,从而产生每个时间点的社交网络。在这篇文章中,我们表示的网络和时间的依赖性与随机效应模型,导致在一组固定的协方差阵定义的随机过程。我们的方法建立在华纳、肯尼和斯托托[《人格与社会心理学杂志》37(1979)1742- 1757]以及吉尔和斯沃茨[加拿大统计学杂志]的社会关系模型之上。29(2001)321- 331],并且允许网络结构的时间内和时间间表示。我们将该方法应用于两个纵向数据集:国际贸易(连续响应)和军事化的国家间争端(二进制响应)。
2011-08-17 stat.AP stat.ME
Marginal models with individual-specific effects for the analysis of longitudinal bipartite networks
提出了一种新的由部分时间有序的关系事件序列产生的二分社交网络的建模框架。我们直接对二元变量的联合分布进行建模,以表明每个参与者是否参与了事件。所采用的参数化是基于一阶和二阶效应,如分类数据和自由高阶效应的边际模型中所述。特别是,二阶效应是对数优势比,从社会角度有意义的解释是合作的倾向,而一阶效应则是每个参与者参与事件的倾向。这些影响是参数化的事件时间的基础上,使合适的个人行为的潜在轨迹可以表示。推理是基于一个复合的似然函数,最大化的算法与数值的复杂性成正比的单位在网络中的数量的平方。分类复合似然被用来聚类的演员,简化了数据结构的解释。所提出的方法是说明在2003年至2012年在四个顶级统计期刊上发表的科学文章的数据集。
2018-10-20 stat.ME
Homophily-adjusted social influence estimation
本研究提出同质性调整的社会影响模型,通过横截面数据估计社会影响,解决潜在同质性后门路径,模拟实验验证其优于传统网络自相关模型。
2024-05-28 stat.ME
Causal Inference in Longitudinal Data under Unknown Interference
本文针对纵向研究中未知且复杂的干扰结构,提出基于修正边际结构模型和逆概率加权的因果推断框架,用于识别和估计治疗历史的直接效应与溢出效应,并给出渐近性质与置信区间构造方法。
2025-08-25 math.ST stat.AP stat.ME