Latent Class Analysis via Hierarchical Likelihood for Continuous Longitudinal Data
Latent Class Analysis (LCA) is widely used for identifying unobserved subgroups with distinct longitudinal trajectories. However, when incorporating random effects, traditional methods rely on Gaussian Hermite Quadrature (GHQ) to marginalize the likelihood; as this numerical integration is computationally intensive and can yield less decisive posterior class probabilities, we introduce a framework integrating hierarchical likelihood (h-likelihood) with LCA for continuous longitudinal data. We implement an EM-based procedure estimating individual random effects directly via h-likelihood. Avoiding numerical integration enables simultaneous estimation of fixed effects, variance components, and class proportions. Simulations and application to PBC data indicate the proposed method yields higher classification accuracy and more definitive posterior class probabilities than GHQ based marginal likelihood. The h-likelihood approach offers more stable estimation and reliable class assignments.
Analyse des classes latentes par vraisemblance hiérarchique pour données longitudinales continues
L'analyse en classes latentes (LCA) est largement utilisée pour identifier des sous-groupes non observés présentant des trajectoires longitudinales distinctes. Cependant, lorsqu'elles intègrent des effets aléatoires, les méthodes traditionnelles se basent sur la quadrature gaussienne de Hermite (GHQ) pour marginaliser la vraisemblance ; comme cette intégration numérique est très gourmande en ressources informatiques et peut donner des probabilités a posteriori moins décisives, nous proposons un cadre intégrant la vraisemblance hiérarchique (h-likelihood) à la LCA pour les données longitudinales continues. Nous mettons en œuvre une procédure basée sur l'algorithme EM qui estime les effets aléatoires individuels directement par la probabilité h. Le fait d'éviter l'intégration numérique permet l'estimation simultanée des effets fixes, des composantes de variance et des proportions de classes. Les simulations et l'application aux données PBC indiquent que la méthode proposée donne une précision de classification plus élevée et des probabilités de classe postérieures plus définitives que la probabilité marginale basée sur la GHQ. L'approche h-likelihood offre une estimation plus stable et des attributions de classes plus fiables.
Date and Time
-
Langue de la présentation orale
Anglais
Langue des supports visuels
Anglais