Modele gee

POSTED ON February 19, 2019

Modele gee

BY: jay islam / No Comments / CATEGORY:

Sur la base des résultats, RJ ne fonctionne pas bien pour les scénarios avec des résultats continus ou binaires, tandis que RJ1 et RJ2 ont des performances comparables et peuvent sélectionner la véritable structure de corrélation sous-jacente dans la plupart des scénarios avec de meilleures performances dans de grandes taille de l`échantillon. QIC n`est pas satisfaisant lorsque la véritable structure de corrélation est indépendante, mais présente des performances avantageuses pour les scénarios avec la véritable structure de corrélation comme échangeables ou AR-1. D`autre part, SC et GP ne fonctionnent pas bien pour les données longitudinales avec des réponses normales, mais la performance est légèrement améliorée pour les données longitudinales avec des résultats binaires. Les résultats peuvent varier en fonction de la variété des facteurs, y compris les types de structure de corrélation «de travail» considérés pour le montage du modèle, la taille de l`échantillon et/ou l`amplitude du coefficient de corrélation. Pour les travaux futurs, il est nécessaire de trouver un critère solide pour la sélection de la structure de corrélation «de travail» du GEE, et des approches plus avancées émergent actuellement. Cette méthode a également été explorée ou étendue pour les données corrélées avec une taille de grappe non Ignorable par Benhin et coll. et Cong et coll. [82, 83]. De plus, une méthode plus efficace appelée WCR modifié (MWCR) a été proposée par Chiang et Lee, où les sujets de taille minimale des grappes ont été échantillonnés aléatoirement à partir de chaque grappe, puis les modèles GEE pour les données équilibrées ont été appliqués pour l`estimation en incorporant les corrélation intra-cluster; ainsi, le MWCR pourrait être un moyen plus efficace d`analyse [84]. Mais le MWCR n`est pas toujours satisfaisant et Pavlou et coll. ont reconnu les conditions suffisantes de la structure des données et le choix de la structure de corrélation «de travail», ce qui a permis la cohérence des estimations du MWCR [85].

De plus, Wang et coll. ont élargi le travail susmentionné aux données longitudinales groupées, qui sont recueillies en tant que mesures répétées sur des sujets survenant en grappes, avec une taille potentielle de grappes informatives [45]. Les exemples incluent des études de santé de sujets provenant de plusieurs hôpitaux ou familles. Avec l`adoption et la comparaison du GEE, du WCR et du CWGEE, l`auteur a affirmé que le CWGEE était recommandé en raison de la performance comparable avec le WCR et de l`absence de calcul intensif de Monte Carlo en termes de taux de couverture bien conservés et de puissance souhaitable Propriétés, tandis que les modèles GEE ont entraîné une inférence non valide en raison des estimations de paramètres biaisées via des études de simulation approfondies et l`application de données réelles d`une étude de la maladie parodontale [45]. De plus, pour l`inférence observée en grappes, Seaman et coll. ont discuté des méthodes, y compris des GEE pondérées et doublement pondérées et des modèles à effets aléatoires partagés à des fins de comparaison, et ont montré les conditions dans lesquelles le modèle d`effets aléatoires partagés décrit membres ayant des résultats observés [86]. On peut trouver plus de travail dans [87 – 90], entre autres. Dans cette section, nous nous concentrons sur la sélection de la structure de corrélation «de travail» et comparons les performances des critères existants au moyen d`études de simulation. Deux types de résultats sont considérés comme des réponses continues et comptent.

Les modèles de génération de données sont les suivants: où, avec, 100, 200, 500 et avec.

Comments are closed