Estimation of Time-Varying Treatment Effects in a Joint Model for Longitudinal and Recurrent Event Outcomes in Mobile Health Data
移动健康纵向与复发事件联合模型中的时变处理效应估计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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要围绕微随机试验中重复干预的处理效应估计展开，直接支持因果推断；纵向测量本身不足以确定经济面板方法分类。
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…
关注这篇论文的作者
移动健康纵向与复发事件联合模型中的时变处理效应估计
- 研究问题
- 在微随机试验中，如何联合分析多项纵向健康结果与复发事件，并估计实时重复干预随时间变化的作用及其不同影响机制？
- 方法与思路
- 作者扩展纵向与生存联合模型，以不同处理效应设定表达可能机制，采用贝叶斯推断，并提供信息准则和生存校准图。
- 材料陈述的贡献
- 摘要称，该方法可联合建模重复处理、多个纵向结果与复发事件之间的关系，并通过模拟和物质使用微随机试验数据说明应用。
- 阅读关注点
- 应核对处理历史进入各子模型的方式、随机化对应的效应目标、联合关联结构，以及信息准则与校准检查的计算方法。
- 阅读边界
- 仅据 arXiv 预印本摘要，同行评审或期刊接收未核实；具体效应定义、模型识别条件及模拟和试验的数值结果未说明。
原文摘要
Not only does mobile health technology enable researchers to track changes in multiple longitudinal outcomes of interest and to record the occurrence of health-related events over time, but it also allows for the delivery of repeated low-cost treatments directly to individuals in real time. We present a model-based approach for estimating the effect of repeatedly delivered treatments in a micro-randomized trial (MRT) via an extension of a joint longitudinal-survival model. We discuss different ways that these repeated treatment effects can be incorporated into the joint model; these different model specifications correspond to different mechanisms by which treatment is assumed to impact the longitudinal and event processes. Taking a Bayesian approach to inference, we model the association between repeated treatments, multiple longitudinally measured outcomes, and recurrent events. We also demonstrate how to calculate information criteria for model selection and present goodness-of-fit plots for assessing survival submodel calibration. We then illustrate the performance of our method via simulations and analysis of data collected in an MRT of substance use.