Functional Multi-state Joint Model for Irregular Longitudinal Data
Irregular longitudinal data arise when measurement times vary across subjects and are common in trajectory studies. When the observation process is driven by a latent state mechanism, the resulting missingness falls under a Missing Not At Random (MNAR) framework, leading to biased inference if ignored. We propose a functional joint modeling framework in which observation times are governed by a latent continuous-time state process. As trajectories evolve continuously but are observed only at discrete visits, functional principal components analysis is used to capture subject-specific trajectories, while a continuous-time hidden Markov model infers latent states. The model adopts a two-layer structure to jointly characterize state dynamics, time gaps, and outcome trajectories. Estimation is conducted using an Alternating Expectation Conditional Maximization algorithm. Simulation studies and a real data application demonstrate the method’s effectiveness.
Modèle fonctionnel multi-états conjoint pour les données longitudinales irrégulières
Les données longitudinales irrégulières apparaissent lorsque les moments de mesure varient d'un sujet à l'autre et sont courantes dans les études de trajectoire. Lorsque le processus d'observation est régi par un mécanisme d'état latent, les données manquantes qui en résultent relèvent d'un cadre MNAR (Missing Not At Random, données manquantes non aléatoires), ce qui conduit à des inférences biaisées si elles sont ignorées. Nous proposons un cadre de modélisation fonctionnelle conjointe dans lequel les moments d'observation sont régis par un processus d'état latent en temps continu. Comme les trajectoires évoluent de manière continue, mais ne sont observées qu'à des visites discrètes, l'analyse en composantes principales fonctionnelles est utilisée pour capturer les trajectoires spécifiques à chaque sujet, tandis qu'un modèle de Markov caché en temps continu infère les états latents. Le modèle adopte une structure à deux niveaux pour caractériser conjointement la dynamique des états, les écarts temporels et les trajectoires des résultats. L'estimation est effectuée à l'aide d'un algorithme d'alternance d'espérance et de maximisation conditionnelle. Des études de simulation et une application à des données réelles démontrent l'efficacité de la méthode.
Date and Time
-
Langue de la présentation orale
Anglais
Langue des supports visuels
Anglais