Assessing Time-Varying Causal Effect Moderation in Mobile Health
在旨在改变和维持行为的移动健康干预中，实时提供治疗以管理当前或即将发生的高风险情况或近实时地促进健康行为。目前，科学界对开发数据分析方法以指导移动干预措施的发展非常感兴趣。特别是来自移动健康研究的数据可以用于检查效应调节因子，即，个体特征、随时间变化的背景或既往治疗反应，可缓解当前治疗对后续反应的影响。本文介绍了一个正式的定义，为缓和的影响，在潜在的结果，一个定义，特别适合于移动的干预措施，治疗场合很多，个人并不总是可用于治疗，和潜在的主持人可能会受到过去的治疗。估计调节效应的方法开发和比较。所提出的方法说明使用BASICS-Mobile，基于智能手机的干预，旨在遏制大量饮酒和吸烟的大学生。
2016-08-17 stat.ME
Linear mixed models with endogenous covariates: modeling sequential treatment effects with application to a mobile health study
移动健康是一个快速发展的领域，其中通过可穿戴设备或智能手机向个人提供行为治疗，以促进与健康相关的行为改变。微型随机试验（MRT）是一种用于开发移动卫生干预措施的试验设计。在MRT中，在试验过程中，每个个体的治疗被随机分配多次。在评估处理效应的同时，行为科学家的目标是了解处理效应中人与人之间的异质性。一个自然的方法是熟悉的线性混合模型。然而，直接应用线性混合模型是有问题的，因为处理效应的潜在调节因子通常是内源性的-也就是说，可能取决于先前的处理。我们讨论的模型解释和偏差，出现在没有额外的假设时，内生协变量包括在一个线性混合模型。特别是，当存在内生协变量时，系数不再具有习惯的边际解释。然而，这些系数仍然有条件的随机效应解释。我们提供了一个额外的假设，如果是真的，允许科学家使用标准软件来拟合线性混合模型与内源性协变量，并可以提供个人特定的预测效果。作为一个例子，我们评估的影响，活动的建议，在心脏步骤MRT和分析的人之间的处理效应异质性。
2019-05-10 stat.ME
Small Area Estimation Methods for Multivariate Health and Demographic Outcomes using Complex Survey Data
University of Washington（华盛顿大学）
本文提出利用复杂调查数据开发多变量共享组件模型，用于提高健康和人口统计数据的估计精度。
2025-11-19 stat.AP stat.ME
Discussion of 'Estimating time-varying causal excursion effect in mobile health with binary outcomes' by T. Qian et al
本文讨论了T. Qian等人（2020）。我们发现，所提出的方法与文献中的其他方法有密切的关系，特别是与罗宾斯、埃尔南及其合作者关于将观察性研究作为一系列随机试验进行分析的一系列论文有密切的关系。与历史限制的和历史调整的边际结构模型（MSM）也有密切的关系。重要的差异和方法的影响进行了澄清。我们还表明，漂移效应可以依赖于设计，并讨论其适用于修改治疗方案。
2021-03-03 stat.ME
Nonstationary Multivariate Gaussian Processes for Electronic Health Records
我们提出了多变量非平稳高斯过程联合建模多个临床变量，其中的关键参数，长度尺度，标准差和观察到的输出之间的相关性，都是时间依赖的。我们通过哈密顿蒙特卡罗（HMC）进行后验推理。我们还提供了获得计算效率的基于梯度的最大后验概率（MAP）估计的方法。我们验证了我们的模型的合成数据以及电子健康记录（EHR）数据从凯撒永久（KP）。我们表明，所提出的模型提供了更好的预测性能超过一个固定的模型，以及发现有趣的潜在的相关性过程中的生命体征，这是潜在的预测患者的风险。
2019-10-13 stat.AP stat.ME stat.ML
Estimating spatially varying health effects of wildland fire smoke using mobile health data
本文提出带地理核加权的结构嵌套均值模型双重稳健估计量，结合逆概率加权处理缺失，并用于 Smoke Sense 移动健康数据以估计烟雾防护行为的时空变化健康效应。
2024-07-07 stat.ME
Personalized Policy Learning using Longitudinal Mobile Health Data
我们使用纵向移动健康应用程序使用数据来解决个性化策略学习问题。个性化策略代表了一种范式的转变，从制定一个单一的政策，可以规定个性化的决策定制。具体而言，我们的目标是制定最佳的政策，每个用户，根据广义线性混合模型下估计随机效应。在有许多随机效应的情况下，我们考虑了新的估计方法和惩罚目标，以避免边缘似然近似的高维积分。我们建立了我们的方法与内源性应用程序使用的一致性和最优性。我们应用我们的方法来开发个性化的推送（“提示”）时间表在294应用程序用户，目标是最大限度地提高过去的应用程序使用和其他上下文因素的提示响应率。我们发现，最好的推送时间表相同的协变量不同的用户之间，从而呼吁个性化的政策。使用估计的个性化策略将在16周或更长时间内实现这些用户的平均即时响应率为23%：这是对观察到的比率（11%）的显着改善，而文献表明下载后3个月的用户参与度为3%-15%。所提出的方法相比，有利的现有的估计方法，包括使用R函数“glmer”在模拟研究。
2020-01-09 stat.ME
Estimation of Time-Varying Treatment Effects in a Joint Model for Longitudinal and Recurrent Event Outcomes in Mobile Health Data
University of Michigan（密歇根大学）；Institute for Social Research, University of Michigan（密歇根大学社会研究所）；Department of Population Health Sciences and Huntsman Cancer Insti（人口健康科学与亨斯曼癌症研究所）
本文提出基于联合纵向-生存模型的扩展方法，用于估计在微随机试验中反复施加治疗的效果，通过贝叶斯方法分析治疗与纵向结果及复发事件的关联，并展示模型选择和生存子模型校准的评估方法。
2026-04-24 stat.ME
Bayesian Models for Multivariate Difference Boundary Detection in Areal Data
在划定的行政单位范围内的卫生成果的区域总量（例如，州、县、邮政编码）或区域单位被流行病学家广泛用于绘制死亡率或发病率图并捕获地理变异。为了捕捉地区之间的健康差异，我们寻求“差异边界”，将相邻地区与显着不同的空间效应分开。问题更具挑战性，因为每个单位都有多个结果，我们要捕捉疾病之间以及区域单位之间的依赖性。在这里，我们解决相关疾病的多元差分边界检测。我们制定的贝叶斯成对多重比较的问题，并寻求相邻的空间效应不同的后验概率。为了实现这一点，我们赋予空间随机效应的离散概率法使用一类多变量区域参考狄利克雷过程（MARDP）模型，适应空间和疾病间的依赖性。我们通过模拟研究评估我们的方法，并使用美国国家癌症研究所监测，流行病学和最终结果（SEER）计划的数据检测多种癌症的差异边界。
2022-04-30 stat.ME
Generalized Heterogeneous Functional Model with Applications to Large-scale Mobile Health Data
Purdue University（普渡大学）；University of Pennsylvania（宾夕法尼亚大学）
本文提出广义异质函数模型，用于分析大规模移动健康数据中体育活动与疾病之间的复杂关系，通过识别子群体提升预测准确性。
2026-01-16 stat.ME
Salient Bayesian Clustering for Proportional Data via a Multivariate Beta Mixture Model
Harvard T.H. Chan School of Public Health（哈佛陈曾熙公共卫生学院）
针对社区SDoH比例数据聚类中无关变量干扰的问题，提出嵌入特征显著性的贝叶斯多元Beta混合模型SAMBA-Mix，提升聚类准确性并识别关键决定因素。
2026-09-16 stat.ME
Estimating Time-Varying Causal Excursion Effect in Mobile Health with Binary Outcomes
可穿戴设备和数字技术的进步现在使人们有可能在日常生活中为个人提供行为移动健康干预。微随机试验（MRT）越来越多地用于提供数据，为这些干预措施的构建提供信息。在MRT中，每个人在试验过程中反复随机选择多种干预方案，通常数百甚至数千次。这项工作的动机是多个MRT已经进行，或目前在外地，其中的主要成果是纵向二元结果。这种MRT的主要目的是检查特定的随时间变化的干预是否对纵向二元结果有影响，通常对所有数据都有轻微影响，但只有一小部分个体数据。我们提出了因果偏移效应的定义，可用于MRT的主要目标分析与二元结果。在相当严格的假设下，可以根据现有的文献，推导出因果效应的半参数，局部有效估计。我们从这个估计量出发，开发了一个估计量，可以在更合理的假设下作为主要目标分析的基础。模拟研究进行比较的估计。我们使用MRT，BariFit的数据来说明所开发的方法。BariFit的目标是支持接受减肥手术的个人保持体重。
2020-07-29 stat.ME
Missing data in non-stationary multivariate time series from digital studies in Psychiatry
针对精神病学数字研究中非平稳多变量时间序列的缺失数据难题，提出MCEM-SSM算法，经多场景模拟验证优势后应用于精神疾病患者研究，探究数字社交与消极情绪的关联。
2025-06-17 stat.ME
Health Prognostics in Multi-sensor Systems Based on Multivariate Functional Data Analysis
本文提出基于多元函数型数据分析的多传感器系统健康预测方法，利用MFPCA对C-MAPSS航空发动机数据进行自适应建模，在实现有竞争力RUL预测的同时提升系统退化行为的可解释性。
2025-03-10 stat.AP stat.ME
State space model multiple imputation for missing data in non-stationary multivariate time series with application in digital Psychiatry
针对非平稳多元时间序列缺失数据问题，提出基于状态空间模型的多重插补方法SSMmp及其高效变体SSMimpute，通过理论与模拟验证其优势，并应用于双相情感障碍患者智能手机数据中社交网络规模与负面情绪关联的研究。
2023-04-13 stat.ME
Treatment Effect Heterogeneity and Importance Measures for Multivariate Continuous Treatments
本文针对多元连续暴露的处理效应估计问题，提出灵活的非参数贝叶斯方法，引入刻画处理效应异质性的新估计量并给出估计程序，通过后验收缩率提供理论支持，并在PM$_{2.5}$组分暴露健康效应研究中验证了方法有效性。
2025-01-03 stat.AP stat.ME
A spatial interference approach to account for mobility in air pollution studies with multivariate continuous treatments
Harvard T.H. Chan School of Public Health（哈佛大学陈曾熙公共卫生学院）；Dana-Farber Cancer Institute（达纳-法伯癌症研究所）；University of Florida（佛罗里达大学）
研究多变量空气污染暴露对公共健康因果效应时考虑流动性问题，结合手机移动数据，将其视为干扰问题，提出估计量和估计策略，用该方法研究美国医疗保险参保者中空气污染对死亡率的健康影响。
2026-07-23 stat.ME
Testing unit root non-stationarity in the presence of missing data in univariate time series of mobile health studies
本文针对移动健康时间序列中的缺失数据问题，提出基于状态空间模型的最大似然估计与多重插补方法以改进ADF单位根检验，并开发MNAR敏感性分析技术，通过模拟和双相情感障碍患者智能手机研究验证其有效性。
2022-10-10 stat.ME
Multivariate Functional Principal Component Analysis for Mixed-Type mHealth Data: An Application to Mood Disorders
Texas A&M University（德克萨斯农工大学）；University of South Carolina（南卡罗来纳大学）；National Institute of Mental Health（美国国家精神卫生研究所）；Johns Hopkins Bloomberg School of Public Health（约翰霍普金斯大学布隆伯格公共卫生学院）
本文提出了一种用于混合类型mHealth数据的多变量功能主成分分析方法，用于识别情绪障碍亚型的时间模式。
2026-03-11 stat.AP stat.ME
Deep Spectral Q-learning with Application to Mobile Health
North Carolina State University（北卡罗来纳州立大学）；London School of Economics and Political Science（伦敦政治经济学院）
动态治疗方案根据患者的基线信息和随时间变化的协变量，随时间顺序地向患者分配个性化治疗。在移动健康应用中，这些协变量通常在长时间范围内以不同频率收集。在本文中，我们提出了一种深度谱Q学习算法，它集成了主成分分析（PCA）和深度Q学习来处理混合频率数据。在理论上，我们证明了估计的最优策略下的平均收益收敛于最优策略下的平均收益，并建立了其收敛速度。我们的建议的有用性进一步说明了通过模拟和糖尿病数据集的应用。
2023-01-03 cs.LG stat.AP stat.ME
m-TSNE: A Framework for Visualizing High-Dimensional Multivariate Time Series
University of Southern California（南加州大学）
多变量时间序列（MTS）在医疗保健领域越来越常见，其中收集人类生命体征和实验室结果用于预测诊断。最近，已经有越来越多的努力可视化医疗MTS数据的基础上，星图或平行坐标。然而，这样的技术对于可视化大型MTS数据集可能不是理想的，因为由于MTS固有的高维度，很难获得见解或解释。在本文中，我们提出了“m-TSNE”：一个简单而新颖的框架，通过将它们投影到低维（2-D或3-D）空间，同时捕获底层数据属性来可视化高维MTS数据。我们的框架易于使用，并为医疗保健专业人员提供可解释的见解，以了解MTS数据。我们在两个真实世界的数据集上评估了我们的可视化框架，并证明了我们的m-TSNE的结果显示了易于理解的模式，而其他方法的可视化可能在可解释性方面存在局限性。
2017-08-26 cs.LG stat.ME
A Latent Class Bayesian Model for Multivariate Longitudinal Outcomes with Excess Zeros
该研究提出一种面向含过多零值的多变量纵向结果的贝叶斯潜类别模型，结合不同零膨胀结果的对应模型与自适应Lasso变量选择，经真实数据与模拟验证有效。
2025-09-05 stat.AP stat.ME
Multivariate Long-term Profile Monitoring with Application to the KW51 Railway Bridge
本文提出一种多元长期剖面监测方法，结合有监督与无监督主成分分析，利用函数对函数回归框架处理稀疏传感器数据并消除环境等引起的波动，提升结构健康监测的鲁棒性。
2025-06-25 stat.AP stat.ME
Individualized Dynamic Latent Factor Model for Multi-resolutional Data with Application to Mobile Health
针对移动健康中不规则多分辨率时间序列数据的插值问题，提出个体化动态潜因子模型，通过映射到潜空间整合多序列与多主体并捕捉异质纵向信息，理论给出了插值误差界与B-spline收敛速度，实验验证了其优越性。
2024-05-30 math.ST stat.ME stat.ML
Risk-Averse Multi-Armed Bandits with Unobserved Confounders: A Case Study in Emotion Regulation in Mobile Health
Duke University（杜克大学）
在本文中，我们考虑了一个风险厌恶的多臂强盗（MAB）问题，其目标是学习一个政策，最大限度地减少低预期收益的风险，而不是最大化预期收益本身，这是在通常的方法，以风险中性的MAB的目标。具体来说，我们制定这个问题作为一个迁移学习问题之间的专家和学习者代理的存在下，只有观察到的专家，但不是由学习者。因此，从学习者的角度来看，这样的上下文是未观察到的混杂因素（UC）。给定由排除UC的专家生成的数据集，学习者的目标是用更少的在线学习步骤来识别真正的最小风险臂，同时避免由于专家数据中存在UC而导致的可能有偏见的决策。
2022-09-09 cs.LG stat.ME
Incorporating nonparametric methods for estimating causal excursion effects in mobile health with zero-inflated count outcomes
针对移动健康微随机试验中的零膨胀计数结果，本文提出结合非参数技术的新颖因果偏移效应估计方法，并验证了其性能。
2024-03-12 stat.AP stat.ME
Generalized Heterogeneous Functional Model with Applications to Large-scale Mobile Health Data
本文提出广义异质函数型方法，在广义函数型回归中同时估计函数型效应并识别亚组，结合预聚类提升大规模数据计算效率，并在 UK Biobank 数据上验证其对精神障碍和帕金森病风险预测优于现有方法。
2025-01-02 stat.AP stat.ME
Removal of Multivariate Environmental Influences in Structural Health Monitoring through Conditional Covariances and Supervised Learning
Helmut Schmidt University（赫尔穆特·施密特大学）
针对结构健康监测中环境因素影响输出量高阶统计矩的问题，提出并比较了非参数核估计、随机森林、半参数加性模型和深度学习方法以识别和量化多变量混淆效应，并展示了条件协方差矩阵在SHM流程中的应用。
2026-06-03 stat.AP stat.ME
A Diffusion-Model Subpopulation Digital Twin for Mobile Health Deployment: A Case Study on the HeartSteps Intervention
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；The Ohio State University（俄亥俄州立大学）；Harvard University（哈佛大学）；University of Michigan（密歇根大学）
研究针对移动健康干预算法设计问题，提出基于条件时间序列扩散模型开发“JITAI-Twins”数字孪生的方法，经多步更新，在HeartSteps干预部署预阶段验证，能更好再现目标亚群结构，为算法设计决策提供模拟。
2026-07-24 cs.LG stat.ME
Seemingly unrelated Bayesian additive regression trees for cost-effectiveness analyses in healthcare
针对医疗成本效益分析中多结果依赖问题，提出多元BART扩展，允许各响应关联不同树集成，并实现非参数看似无关回归与多元概率比推广，通过模拟与实证验证了新型创伤干预的成本效益。
2025-02-26 econ.EM stat.AP stat.ME
Scalable Modeling of Multivariate Longitudinal Data for Prediction of Chronic Kidney Disease Progression
预测疾病的未来发展轨迹是个性化医疗和人群健康管理的重要挑战。然而，许多复杂的慢性疾病表现出很大程度的异质性，而且并不总是有一个单一的现成的生物标志物来量化疾病的严重程度。即使存在这样的临床变量，通常也会有其他相关的生物标志物常规测量患者，可以更好地预测他们未来的疾病状态。为此，我们提出了一种新的概率生成模型的多变量纵向数据，捕捉多变量轨迹之间的依赖关系。我们对每个轨迹使用基于高斯过程的回归模型，并从潜在类模型中构建想法，以诱导它们的均值函数之间的依赖性。我们适合我们的方法使用可扩展的变分推断算法的纵向电子病人健康记录的大数据集，并发现它提高了动态预测相比，最近的最先进的方法。然后，我们当地的责任护理组织在慢性肾脏病高风险患者的图表审查期间使用模型预测。
2016-08-16 stat.AP stat.ME stat.ML
Amortized Bayesian inference for actigraph time sheet data from mobile devices
UCLA Department of Biostatistics（UCLA生物统计学系）
本文提出了一种用于移动设备活动图时间表数据的平均贝叶斯推断方法，通过分层动态线性模型实现不确定性传播和量化，用于研究运动模式与健康结果的关系。
2026-02-24 cs.LG stat.ME stat.ML
