Inverse-Intensity Weighted Generalized Estimating Equations with Intensities Estimated via the Highly Adaptive Lasso
In longitudinal data, subjects are followed over time and may be scheduled for follow-up at pre-determined time points but may miss their appointments or return at non-specified times, leading to irregularity in the visit process. To address this, inverse-intensity weighted generalized estimating equations (IIW-GEEs) have been developed, whereby estimates from a visit intensity model are used as weights in a GEE model with an independent correlation structure. In practice, the complexity of the visit process can be difficult to capture and may be influenced by the severity of the outcome, administrative procedures, and unknown interactions between variables. In this talk, we show via simulation studies that IIW-GEEs produce biased estimates when the structure of the semiparametric visit intensity model is misspecified, and that using the highly adaptive lasso to estimate the intensities can mitigate this bias. We further demonstrate this method on the STAR*D clinical trial data.
Équations d'estimation généralisées pondérées par l'intensité inverse avec intensités estimées via le lasso hautement adaptatif
Dans les données longitudinales, les sujets sont suivis dans le temps et un suivi peut être prévu à des moments prédéterminés, mais ils peuvent manquer leurs rendez-vous ou revenir à des moments non spécifiés, ce qui entraîne une irrégularité dans le processus de visite. Pour remédier à cela, des équations d'estimation généralisées pondérées par l'intensité inverse (IIW-GEE) ont été développées, dans lesquelles les estimations d'un modèle d'intensité de visite sont utilisées comme pondérations dans un modèle GEE avec une structure de corrélation indépendante. En pratique, la complexité du processus de visite peut être difficile à saisir et peut être influencée par la gravité du résultat, les procédures administratives et les interactions inconnues entre les variables. Dans cette présentation, nous montrons, à l'aide d'études en simulation, que les IIW-GEE produisent des estimations biaisées lorsque la structure du modèle d'intensité de visite semi-paramétrique est mal spécifiée, et que l'utilisation du lasso hautement adaptatif pour estimer les intensités peut atténuer ce biais. Nous démontrons en outre cette méthode sur les données de l'essai clinique STAR*D.
Date and Time
-
Langue de la présentation orale
Anglais
Langue des supports visuels
Anglais