Joint modelling of longitudinal and time-to-event data is usually described by a random effect joint model which uses shared or correlated latent effects to capture associations between the two processes. Under this framework, the joint distribution of the two processes can be derived straightforwardly by assuming conditional independence given the latent effects. Alternative approaches to induce interdependency into sub-models have also been considered in the literature and one such approach is using copulas, to introduce non-linear correlation between the marginal distributions of the longitudinal and time-to-event processes. A Gaussian copula joint model has been proposed in the literature to fit joint data by applying a Monte Carlo expectation-maximisation algorithm. Enlightening as it is, its original estimation procedure comes with some limitations. In the original approach, the log-likelihood function can not be derived analytically thus requires a Monte Carlo integration, which not only comes with intensive computation but also introduces extra variation/noise into the estimation. The combination with the EM algorithm slows down the computation further and convergence to the maximum likelihood estimators can not be always guaranteed. In addition, the assumption that the length of planned measurements is uniform and balanced across all subjects is not suitable when subjects have varying number of observations. In this paper, we relax this restriction and propose an exact likelihood estimation approach to replace the more computationally expensive Monte Carlo expectation-maximisation algorithm. We also provide a straightforward way to compute dynamic predictions of survival probabilities, showing that our proposed model is comparable in prediction performance to the shared random effects joint model.


翻译:对纵向和时间对活动数据的联合建模通常用随机效果联合模型来描述,该模型使用共享或相关的潜在影响来捕捉两个进程之间的关联。在这个框架内,两个进程的联合分布可以通过假定有条件的独立性来直截了当地地得出,因为其潜在影响是有条件的。文献中也考虑了促使次级模型相互依存的替代方法,其中一个这样的方法是使用Copula,在纵向和时间对活动进程的边际分布之间引入非线性的相关性。文献中提出了一个高斯比亚相交联合模型,用一个共享或相关的潜在影响来捕获两个进程之间的关联。在这个框架内,两个进程的联合分布可以通过假定有条件的独立独立来直接得出。在最初的方法中,无法从分析的角度导引出对子模型相互依存的功能,因此,蒙特卡洛的整合不仅需要密集的计算,而且还给估算带来额外的变化/噪音。与EM算法的结合进一步减慢了计算速度,而且与最大可能性估计值的趋同性联合模型在应用蒙特卡洛期望值算法时并非总能保证采用联合的准确性估算。此外,在规划的估测算中,我们所规划的精确度的估定的尺度的尺度是整个测算的准确度的尺度的尺度的尺度的尺度长度长度长度,因此,我们提出一个适当的估测算是整个测算的尺度的尺度是整个的尺度的尺度的尺度的尺度的尺度的尺度。

0
下载
关闭预览

相关内容

【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
专知会员服务
52+阅读 · 2020年9月7日
Linux导论,Introduction to Linux,96页ppt
专知会员服务
77+阅读 · 2020年7月26日
【Manning新书】现代Java实战,592页pdf
专知会员服务
99+阅读 · 2020年5月22日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
【新书】Python编程基础,669页pdf
专知会员服务
194+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
MIT新书《强化学习与最优控制》
专知会员服务
275+阅读 · 2019年10月9日
LibRec 精选:AutoML for Contextual Bandits
LibRec智能推荐
7+阅读 · 2019年9月19日
计算机 | 国际会议信息5条
Call4Papers
3+阅读 · 2019年7月3日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
计算机类 | LICS 2019等国际会议信息7条
Call4Papers
3+阅读 · 2018年12月17日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
计算机类 | 国际会议信息7条
Call4Papers
3+阅读 · 2017年11月17日
【推荐】决策树/随机森林深入解析
机器学习研究会
5+阅读 · 2017年9月21日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
Arxiv
0+阅读 · 2021年10月20日
Arxiv
0+阅读 · 2021年10月20日
Arxiv
4+阅读 · 2021年4月13日
VIP会员
相关VIP内容
【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
专知会员服务
52+阅读 · 2020年9月7日
Linux导论,Introduction to Linux,96页ppt
专知会员服务
77+阅读 · 2020年7月26日
【Manning新书】现代Java实战,592页pdf
专知会员服务
99+阅读 · 2020年5月22日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
【新书】Python编程基础,669页pdf
专知会员服务
194+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
MIT新书《强化学习与最优控制》
专知会员服务
275+阅读 · 2019年10月9日
相关资讯
LibRec 精选:AutoML for Contextual Bandits
LibRec智能推荐
7+阅读 · 2019年9月19日
计算机 | 国际会议信息5条
Call4Papers
3+阅读 · 2019年7月3日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
计算机类 | LICS 2019等国际会议信息7条
Call4Papers
3+阅读 · 2018年12月17日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
计算机类 | 国际会议信息7条
Call4Papers
3+阅读 · 2017年11月17日
【推荐】决策树/随机森林深入解析
机器学习研究会
5+阅读 · 2017年9月21日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
Top
微信扫码咨询专知VIP会员