Robust estimation for longitudinal data with informative observation times

• Published in: Canadian journal of statistics Vol. 43; no. 4; pp. 519 - 533
• Main Authors: Liu, Kin-yat, Zhao, Xingqiu
• Format: Journal Article
• Language: English
• Published: Ottawa Blackwell Publishing Ltd 01.12.2015; Statistical Society of Canada/Société statistique du Canada; Wiley Subscription Services, Inc
• Subjects: 62G08; Asymptotic methods; Asymptotic properties; Data analysis; Estimating equation; Estimating techniques; Estimators; Hypotheses; Informative observation process; longitudinal data; Mathematical models; Medical; model checking; MSC 2010: Primary 62J05; Numerical analysis; Poisson distribution; Regression analysis; robust estimation; secondary 62E20; Statistics; Studies
• ISSN: 0319-5724; 1708-945X
• DOI: 10.1002/cjs.11269

In this paper we focus on regression analysis of irregularly observed longitudinal data that often occur in medical follow-up studies and observational investigations. The analysis of these data involves two processes. One is the underlying longitudinal response process of interest and the other is the observation process that controls observation times. Most of the existing methods, however, rely on some restrictive models or assumptions such as the Poisson assumption. For this we propose a class of more flexible joint models and a robust estimation approach for regression analysis of longitudinal data with related observation times. The asymptotic properties of the proposed estimators are established and a model checking procedure is also presented. The numerical studies indicate that the proposed methods work well for practical situations. Les auteurs s'intéressent à la régression pour des données longitudinales observées de façon irrégulière, une situation fréquente dans les études comportant un suivi médical et dans les études observationnelles. De telles données émergent de deux processus : le processus de réponses longitudinales sous-jacent et le processus qui contrôle les temps d'observation. La plupart des méthodes existantes se basent sur des hypothèses ou un modèle restrictifs telle que l'hypothèse de Poisson. Les auteurs proposent une classe plus flexible de modèles conjoints et une approche robuste d'estimation de la régression pour des données longitudinales et leur temps d'observation. Ils établissent les propriétés asymptotiques de l'estimateur proposé et présentent des procédures de vérification des hypothèses. Les auteurs présentent également des études numériques qui indiquent que les méthodes proposées fonctionnent bien dans des situations pratiques.