Quantile Regression Modelling of Error-Prone Longitudinal Data

Longitudinal data involve repeated measurements on the same subjects, inducing within-subject dependence that must be appropriately modeled. We employed linear quantile mixed models to account for subject-specific random effects and to examine conditional quantiles beyond the mean, particularly in the presence of measurement error in covariates. To correct for such error, the Simulation Extrapolation (SIMEX) method is applied. Extensive simulation studies, varying sample sizes and measurement error variances, are conducted to evaluate estimator accuracy, bias reduction, and model reliability. The findings demonstrate the effectiveness of SIMEX in improving inference for linear quantile mixed models and provide practical guidance for analyzing error-prone longitudinal data. We applied our proposed methodology in a real case example.

Modélisation par régression quantile de données longitudinales sujettes à erreur

Les données longitudinales impliquent des mesures répétées sur les mêmes sujets, induisant une dépendance intra-sujet qui doit être modélisée de manière appropriée. Nous avons utilisé des modèles mixtes linéaires quantiles pour tenir compte des effets aléatoires spécifiques aux sujets et pour examiner les quantiles conditionnels au-delà de la moyenne, en particulier en présence d'erreurs de mesure dans les covariables. Pour corriger ces erreurs, la méthode d'extrapolation par simulation (SIMEX) est appliquée. Des études de simulation approfondies, variant la taille des échantillons et les variances des erreurs de mesure, sont menées pour évaluer la précision des estimateurs, la réduction des biais et la fiabilité des modèles. Les résultats démontrent l'efficacité de SIMEX pour améliorer l'inférence des modèles mixtes quantiles linéaires et fournissent des conseils pratiques pour l'analyse des données longitudinales sujettes à des erreurs. Nous avons appliqué la méthodologie que nous proposons à un exemple concret.

Session

Progrès en matière de données incomplètes et inexactes

Date and Time