Longitudinal Studies With Outcome-Dependent Follow-up
结果依赖型随访的纵向研究AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确分析个体纵向重复测量、个体特定相关性与随访过程，直接涉及面板类数据结构，但未提出因果识别目标。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
结果依赖型随访的纵向研究
- 研究问题
- 当个体随访测量时间取决于既往观测结果和测量时间时，如何分析纵向响应，并处理响应与随访时间之间的关联？
- 方法与思路
- 作者提出贝叶斯参数和半参数部分线性回归，允许个体特定的响应相关性，并引入个体潜变量连接纵向测量与随访时间。
- 材料陈述的贡献
- 摘要称模拟显示所提部分线性回归能准确估计回归曲线和参数，并使用一项纵向观察研究的数据展示方法的应用。
- 阅读关注点
- 阅读全文时应核对潜变量如何连接随访与响应、个体相关结构如何设定，以及参数和半参数模型各自依赖的假设。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明识别条件、先验及模拟数值，观察研究中的回归结果不能直接解释为因果效应。
原文摘要
We propose Bayesian parametric and semiparametric partially linear regression methods to analyze the outcome-dependent follow-up data when the random time of a follow-up measurement of an individual depends on the history of both observed longitudinal outcomes and previous measurement times. We begin with the investigation of the simplifying assumptions of Lipsitz, Fitzmaurice, Ibrahim, Gelber, and Lipshultz, and present a new model for analyzing such data by allowing subject-specific correlations for the longitudinal response and by introducing a subject-specific latent variable to accommodate the association between the longitudinal measurements and the follow-up times. An extensive simulation study shows that our Bayesian partially linear regression method facilitates accurate estimation of the true regression line and the regression parameters. We illustrate our new methodology using data from a longitudinal observational study.