Variable selection using adaptive lasso in modeling within-subject variability for longitudinal data with irregular and informative observation

In longitudinal studies with irregular and informative observation times, within-subject variability provides valuable insights beyond analysis of means. For example, in pediatric systemic lupus erythematosus (SLE), fluctuations in the SLE Disease Activity Index (SLEDAI) score may serve as a meaningful disease feature. Understanding how changes in predictor variables influence variability of SLEDAI scores is of interest, and we have proposed novel estimation approaches to model variability given covariates. However, when faced with many potential predictors (e.g., genetic factors), selecting the most relevant variables becomes challenging. To address this, we propose using an adaptive lasso penalty in our previously developed estimating function. We show that under appropriate tuning parameter selection, the resulting estimation procedure achieves the oracle property. We validated performance through simulations and applied our methods to SLE data from the Hospital for Sick Children.

Sélection de variables à l'aide du lasso adaptatif dans la modélisation de la variabilité intra-sujet pour données longitudinales avec observations irrégulières et informatives

Dans les études longitudinales avec des temps d'observation irréguliers et informatifs, la variabilité intra-sujet fournit des informations précieuses qui vont au-delà de l'analyse des moyennes. Par exemple, dans le cas du lupus érythémateux disséminé (LED) pédiatrique, les fluctuations du score SLEDAI (SLE Disease Activity Index) peuvent constituer une caractéristique significative de la maladie. Il est intéressant de comprendre comment les changements dans les variables prédictives influencent la variabilité des scores SLEDAI : nous proposons de nouvelles approches d'estimation pour modéliser la variabilité compte tenu des covariables. Cependant, avec de nombreux prédicteurs potentiels (par exemple, des facteurs génétiques), la sélection des variables les plus pertinentes devient difficile. Pour remédier à ce problème, nous proposons d'utiliser une pénalité lasso adaptative dans notre fonction d'estimation précédemment développée. Nous montrons que, pour une sélection appropriée des paramètres de réglage, la procédure d'estimation qui en résulte atteint la propriété oracle. Nous validons les performances par des simulations et appliquons nos méthodes aux données sur le LED provenant de l'Hôpital pour enfants malades.

Session

Advances in Longitudinal Data Analysis

Date and Time