Analysis Of Longitudinal Data With Nonignorable Missing Responses And Measurement Errors In Covariates
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This thesis presents a comprehensive exploration of linear mixed models that incorporate measurement errors in specific covariates for longitudinal data with non-ignorable and non-monotone missing responses. The primary objective is to estimate mean response parameters and variance components utilizing a combined methodology of Regression Calibration (RC) and Monte Carlo EM. The investigation begins with an in-depth examination of the RC method applied to linear mixed models, particularly its adaptation to longitudinal data with covariates affected by measurement errors. A thorough simulation study is conducted, involving various mean response functions, revealing that the RC method produces unbiased and efficient estimators in scenarios where the true underlying model includes covariates with measurement errors. Subsequently, linear mixed models are introduced for longitudinal data with non-ignorable missing responses. The thesis proposes a semi-parametric Monte Carlo EM algorithm for the simultaneous estimation of regression parameters and variance components in linear mixed models with non-ignorable and non-monotone missing responses, combining the Monte Carlo EM algorithm of Ibrahim et al. and the RC method. The simulation study demonstrates the effectiveness of the proposed method, even in the presence of a substantial proportion of non-ignorable missing responses. The thesis concludes with an application of the proposed RC-MCEM method to actual longitudinal data from the Canadian Community Health Survey (CCHS), focusing on individuals with alcoholism and exploring how measurement errors in certain covariates can introduce biases in parameter estimation. The complexity of the problem is further elucidated when missingness occurs in the response variable.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle