Analyzing Incomplete Longitudinal Binary Data Using Approximate Likelihood Methods
Notice bibliographique
Résumé
In longitudinal studies, an outcome variable and a set of covariates are observed repeatedly on the same subject over time.Within-subject correlation results from repeated observations on the same subject, and in order to obtain valid estimates, any method that is used to analyze the longitudinal data, should consider this correlation.Also, missingness in the outcome variable is a common problem in longitudinal data.It complicates the analysis, especially when the missingness is nonignorable, i.e., when the missing mechanism depends on the unobserved values of the outcome variable.In this case, usual approaches to missing data including imputation-based techniques fail to obtain valid inferences.We need to define a joint distribution to account for the missing data model and the longitudinal response model, at the same time.In this thesis, we investigate two approximate likelihood methods, namely, bivariate pseudo-likelihood (BPL) proposed by Sinha et al. [1], and independent pseudolikelihood (IPL) proposed by Troxel et al. [2], along with the exact likelihood method, to analyze longitudinal data with nonignorable, nonmonotone missingness in the outcome variable.We use the marginal binary models, and we present results of a simulation study and results from an application of these three methods to the RAND HRS longitudinal data.Results from our simulation study shows that with nonignorable missingness, the BPL I would like to express my deepest appreciation to Professor Sanjoy K. Sinha for supervising me as his M.Sc.student, and providing me with encouragement and patience throughout the duration of this thesis.With his ongoing support and step-by-step guidance, I was able to conduct necessary research, and complete this work.Without his invaluable contribution, knowledge and experience, I had no chance to write this thesis or conduct accompanying research.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,030 | 0,119 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,005 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».