Longitudinal data analysis using the conditional empirical likelihood method

• Published in: Canadian journal of statistics Vol. 42; no. 3; pp. 404 - 422
• Main Authors: Han, Peisong, Song, Peter X.-K., Wang, Lu
• Format: Journal Article
• Language: English
• Published: Ottawa Blackwell Publishing Ltd 01.09.2014; Statistical Society of Canada; Wiley Subscription Services, Inc
• Subjects: Analytical estimating; Asymptotic properties; Consistent estimators; Covariance; Data analysis; Data collection; Data models; Data processing; Empirical analysis; Estimating techniques; Estimation methods; Estimators; Generalized estimating equations (GEE); Inference; Longitudinal data; Marginal analysis; Marginal model; Mathematical analysis; Maximum likelihood method; Modeling; MSC 2010: Primary 62F12; Nutrition; Probability theory; Scientific method; secondary 62J12; Simulation; Statistical variance; Statistics; Studies; unbalanced longitudinal data; Variance analysis; variance-covariance matrix; within-subject correlation; Canada
• ISSN: 0319-5724; 1708-945X
• DOI: 10.1002/cjs.11221

This paper studies a new approach to longitudinal data analysis using the conditional empirical likelihood (CEL) method within the framework of marginal models. The possible unbalanced follow-up visits are dealt with via stratification according to distinctive follow-up patterns. The CEL method does not require any explicit modelling of the variance-covariance of the longitudinal outcomes. Instead, it implicitly incorporates a consistently estimated variance-covariance matrix in a nonparametric fashion. The proposed CEL estimator is connected to the generalized estimating equations (GEE) estimator, and achieves the same efficiency as the GEE estimator employing the true variance-covariance. The asymptotic distribution of the CEL estimator is derived, and simulation studies are conducted to assess the finite sample performance. Data collected from a longitudinal nutrition study are analysed as an application. Les auteurs proposent une nouvelle approche pour l'analyse de données longitudinales à l'aide de la méthode de la vraisemblance empirique conditionnelle (VEC) dans le cadre de modèles marginaux. Ils prennent en compte la possibilité d'un suivi irrégulier en stratifiant selon les séquences de suivis observées. La VEC ne nécessite pas la modélisation explicite de la variance-covariance des résultats longitudinaux, mais en intègre plutôt implicitement un estimateur non paramétrique convergent. La VEC est associée aux équations d'estimation généralisées (EEG), et les estimateurs découlant de la VEC atteignent la même efficacité que ceux des EEG basées sur la vraie structure de variance-covariance. Les auteurs présentent la distribution asymptotique de l'estimateur de la VEC, ainsi qu'une étude de simulation afin d'évaluer la performance de la méthode sur des échantillons finis. Ils effectuent finalement l'analyse des données d'une étude longitudinale portant sur la nutrition.