Bayesian Tobit Modeling of Longitudinal Ordinal Clinical Trial Compliance Data with Nonignorable Missingness
存在不可忽略缺失的纵向有序临床试验依从性数据：贝叶斯 Tobit 建模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：摘要明确使用纵向重复测量和个体随机效应处理个体内相关，直接对应面板数据方法。
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…
存在不可忽略缺失的纵向有序临床试验依从性数据：贝叶斯 Tobit 建模
- 研究问题
- 当临床随访中的自报用药与药罐称重均可能缺失时，如何联合研究依从性、随访出席及药罐归还，并处理个体内相关？
- 方法与思路
- 作者构建带个体随机效应的纵向贝叶斯层级 Tobit 模型，通过数据增广、Gibbs 抽样及多元 Hastings 更新实现估计。
- 材料陈述的贡献
- 摘要称模型可分析多种依从性测量与随访行为的关系，寻找相关预测因素，并开展协变量筛选、模型选择及缺失先验考察。
- 阅读关注点
- 应核对有序报告与称重测量的模型连接、不可忽略缺失的参数化，以及随机效应、信息先验和模型选择对结果的影响。
- 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的识别条件，相关预测因素也不能直接解释为因果作用。
原文摘要
In the Lung Health Study (LHS), compliance with the use of inhaled medication was assessed at each follow-up visit both by self-report and by weighing the used medication canisters. One or both of these assessments were missing if the participant failed to attend the visit or to return all canisters. Approximately 30% of canister-weight data and 5% to 15% of self-report data were missing at different visits. We use Gibbs sampling with data augmentation and a multivariate Hastings update step to implement a Bayesian hierarchical model for LHS inhaler compliance. Incorporating individual-level random effects to account for correlations among repeated measures on the same participant, our model is a longitudinal extension of the Tobit models used in econometrics to deal with partially unobservable data. It enables (a) assessment of the relationships among visit attendance, canister return, self-reported compliance level, and canister weight compliance, and (b) determination of demographic, physiological, and behavioral predictors of compliance. In addition to addressing the estimation and prediction questions of substantive interest, we use sampling-based methods for covariate screening and model selection and investigate a range of informative priors on missing data.