Joint Modelling of Repeated Measurements and Time-to-Event Outcomes: Flexible Model Specification and Exact Likelihood Inference
重复测量与事件时间结局的联合建模：灵活设定与精确似然推断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：摘要明确处理个体纵向重复测量及随机效应，并将其与退出或事件历史联合建模，直接对应面板数据中的纵向建模问题。
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…
重复测量与事件时间结局的联合建模：灵活设定与精确似然推断
- 研究问题
- 如何联合分析重复测量与事件发生或退出时间，并在保留随机效应模型灵活性的同时，缓解实际拟合的计算复杂性？
- 方法与思路
- 作者利用扩展偏斜正态分布族的分布结果构建似然推断，对事件时间尺度作离散化，同时不限制重复测量的观测时点。
- 材料陈述的贡献
- 摘要称该方法允许对一类灵活随机效应模型进行精确似然推断，并以囊性纤维化队列的重复肺功能测量展示应用。
- 阅读关注点
- 应核对随机效应与事件过程的连接方式、离散时间设定如何进入似然，以及“精确”所指范围和实际计算负担。
- 阅读边界
- 仅据Crossref摘要解读，不能推断其他版本变化；摘要未说明完整模型条件、离散化影响或比较结果，不能认定计算优势普遍成立。
原文摘要
Summary Random effects or shared parameter models are commonly advocated for the analysis of combined repeated measurement and event history data, including dropout from longitudinal trials. Their use in practical applications has generally been limited by computational cost and complexity, meaning that only simple special cases can be fitted by using readily available software. We propose a new approach that exploits recent distributional results for the extended skew normal family to allow exact likelihood inference for a flexible class of random-effects models. The method uses a discretization of the timescale for the time-to-event outcome, which is often unavoidable in any case when events correspond to dropout. We place no restriction on the times at which repeated measurements are made. An analysis of repeated lung function measurements in a cystic fibrosis cohort is used to illustrate the method.