A Flexible Bayesian Approach to Monotone Missing Data in Longitudinal Studies With Nonignorable Missingness With Application to an Acute Schizophrenia Clinical Trial
非可忽略单调缺失纵向数据的灵活贝叶斯方法及精神分裂症试验应用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：摘要明确研究纵向响应及退出造成的缺失，直接涉及重复观测数据的建模与推断。
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
非可忽略单调缺失纵向数据的灵活贝叶斯方法及精神分裂症试验应用
- 研究问题
- 纵向研究存在非可忽略退出与单调缺失时，怎样灵活拟合观测数据，并对无法检验的缺失机制假设表达和分析不确定性？
- 方法与思路
- 作者以MAR模型的狄利克雷过程混合作联合工作模型，另设缺失值条件分布，并引入识别限制、敏感性参数及信息先验。
- 材料陈述的贡献
- 摘要提出区分观测数据拟合与缺失值识别的框架，可平滑改变不可检验假设，并应用于急性精神分裂症治疗试验。
- 阅读关注点
- 应核对联合工作模型与缺失值条件分布的衔接、具体识别限制、敏感性参数及其先验，以及最终推断如何整合假设不确定性。
- 阅读边界
- 仅据Europe PMC／PubMed索引摘要，稿件版本未注明；识别依赖的限制不可由观测数据直接验证，摘要未给出治疗效应数值。
原文摘要
We develop a Bayesian nonparametric model for a longitudinal response in the presence of nonignorable missing data. Our general approach is to first specify a working model that flexibly models the missingness and full outcome processes jointly. We specify a Dirichlet process mixture of missing at random (MAR) models as a prior on the joint distribution of the working model. This aspect of the model governs the fit of the observed data by modeling the observed data distribution as the marginalization over the missing data in the working model. We then separately specify the conditional distribution of the missing data given the observed data and dropout. This approach allows us to identify the distribution of the missing data using identifying restrictions as a starting point. We propose a framework for introducing sensitivity parameters, allowing us to vary the untestable assumptions about the missing data mechanism smoothly. Informative priors on the space of missing data assumptions can be specified to combine inferences under many different assumptions into a final inference and accurately characterize uncertainty. These methods are motivated by, and applied to, data from a clinical trial assessing the efficacy of a new treatment for acute Schizophrenia.