Latent Variable Model for Joint Analysis of Multiple Repeated Measures and Bivariate Event Times
多项重复测量与双变量事件时间联合分析的潜变量模型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：摘要明确以重复心理健康测量和纵向潜过程建模，直接涉及纵向数据分析。
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…
多项重复测量与双变量事件时间联合分析的潜变量模型
- 研究问题
- 如何联合分析预防试验中的重复心理健康项目与饮酒、吸烟起始时间，并容纳缺失值及区间或左删失事件？
- 方法与思路
- 作者以心理困扰潜过程连接纵向边际模型、项目的逻辑回归和事件风险模型，并用自动微分计算似然的一、二阶导数。
- 材料陈述的贡献
- 摘要称，该方法支持各组成模型的联合拟合，相较常规期望最大化算法加快收敛，并直接计算有效的方差估计。
- 阅读关注点
- 应核对潜变量的识别约束、缺失与删失的处理条件，以及联合似然的构造、方差计算和收敛比较依据。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明缺失机制、潜过程具体设定或比较数值，不能推断因果效应或刊本变化。
原文摘要
This article presents a novel approach to analyzing a complex dataset from a prevention trial, where outcomes comprise multiple repeated mental health items and times to initiation of alcohol and tobacco use. The dataset has a nonnegligible portion of missing values and interval or left censored events. The substantive interest of the trial suggests a psychiatric distress latent variable that is reflected in the mental health items and potentially affects initiation of alcohol and tobacco use. We describe the data with a combination of three types of component model: a marginal model for the longitudinal latent process for psychiatric distress given study interventions and covariates; logistic regression models for the repeated mental health items given the latent process; and hazard models for times to initiation of alcohol and tobacco use given the latent process, study interventions, and covariates. To aid in fitting these models simultaneously, we use automatic differentiation to find the first two derivatives of the total log-likelihood function, thus speeding up convergence relative to the regular expectation–maximization algorithm with a direct calculation of valid variance estimates.