Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Portfolio Optimisation via Graphical Least Squares Estimation Kapitel lesen Erstes Kapitel lesen

2020 | OriginalPaper | Buchkapitel

The Potential for Nonparametric Joint Latent Class Modeling of Longitudinal and Time-to-Event Data

verfasst von : Ningshan Zhang, Jeffrey S. Simonoff

Erschienen in: Nonparametric Statistics

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Joint latent class modeling (JLCM) of longitudinal and time-to-event data is a parametric approach of particular interest in clinical studies. JLCM has the flexibility to uncover complex data-dependent latent classes, but it suffers high computational cost, and it does not use time-varying covariates in modeling time-to-event and latent class membership. In this work, we explore in more detail both the strengths and weaknesses of JLCM. We then discuss the sort of nonparametric joint modeling approach that could address some of JLCM’s weaknesses. In particular, a tree-based approach is fast to fit, and can use any type of covariates in modeling both the time-to-event and the latent class membership, thus serving as an alternative method for JLCM with great potential.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Introduction to Independent Counterfactuals
Nächstes Kapitel To Rank or to Permute When Comparing an Ordinal Outcome Between Two Groups While Adjusting for a Covariate?
Literatur
1.
Anderson, J.R., Cain, K.C., Gelber, R.D.: Analysis of survival by tumor response. J. Clin. Oncol. 1(11), 710–719 (1983)CrossRef
2.
Breiman, L., Friedman, J.H., Olshen, R.A., Stone, C.J.: Classification and Regression Trees. Wadsworth and Brooks, Monterey, CA (1984)MATH
3.
Cox, D.R.: Regression models and life-tables. J. R. Stat. Soc. Ser. B 34(2), 187–220 (1972)
4.
Crowley, J., Hu, M.: Covariance analysis of heart transplant survival data. J. Am. Stat. Assoc. 72(357), 27–36 (1977)CrossRef
5.
Dekker, F.W., De Mutsert, R., Van Dijk, P.C., Zoccali, C., Jager, K.J.: Survival analysis: time-dependent effects and time-varying risk factors. Kidney Int. 74(8), 994–997 (2008)CrossRef
6.
Dicker, R., Coronado, F., Koo, D., Parrish, R.G.: Principles of epidemiology in public health practice. US Department of Health and Human Services (2006)
7.
Garre, F.G., Zwinderman, A.H., Geskus, R.B., Sijpkens, Y.W.: A joint latent class changepoint model to improve the prediction of time to graft failure. J. R. Stat. Soc. Ser. A 171(1), 299–308 (2008)MathSciNet
8.
Hajiro, T., Nishimura, K., Tsukino, M., Ikeda, A., Oga, T.: Stages of disease severity and factors that affect the health status of patients with chronic obstructive pulmonary disease. Respir. Med. 94(9), 841–846 (2000)CrossRef
9.
Jongerden, I.P., Speelberg, B., Satizábal, C.L., Buiting, A.G., Leverstein-van Hall, M.A., Kesecioglu, J., Bonten, M.J.: The role of systemic antibiotics in acquiring respiratory tract colonization with gram-negative bacteria in intensive care patients: A nested cohort study. Critic. Care Med. 43(4), 774–780 (2015)CrossRef
10.
Kovesdy, C.P., Anderson, J.E., Kalantar-Zadeh, K.: Paradoxical association between body mass index and mortality in men with CKD not yet on dialysis. Am. J. Kidney Dis. 49(5), 581–591 (2007)CrossRef
11.
Laird, N.M., Ware, J.H.: Random-effects models for longitudinal data. Biometrics 38(4), 963–974 (1982)CrossRef
12.
Lin, H., Turnbull, B.W., McCulloch, C.E., Slate, E.H.: Latent class models for joint analysis of longitudinal biomarker and event process data: Application to longitudinal prostate-specific antigen readings and prostate cancer. J. the Am. Stat. Assoc. 97(457), 53–65 (2002)MathSciNetCrossRef
13.
Munoz-Price, L.S., Frencken, J.F., Tarima, S., Bonten, M.: Handling time-dependent variables: antibiotics and antibiotic resistance. Clin. Infect. Dis. 62(12), 1558–1563 (2016)CrossRef
14.
Proust-Lima, C., Joly, P., Dartigues, J.F., Jacqmin-Gadda, H.: Joint modelling of multivariate longitudinal outcomes and a time-to-event: a nonlinear latent class approach. Comput. Stat. Data Anal. 53(4), 1142–1154 (2009)MathSciNetCrossRef
15.
Proust-Lima, C., Philipps, V., Liquet, B.: Estimation of extended mixed models using latent classes and latent processes: The R package lcmm. J. Statist. Softw. Articles 78(2), 1–56 (2017)
16.
Rizopoulos, D.: Joint Models for Longitudinal and Time-to-Event Data: With Applications in R. CRC Press (2012)
17.
Tsiatis, A., Degruttola, V., Wulfsohn, M.: Modeling the relationship of survival to longitudinal data measured with error. Applications to survival and CD4 counts in patients with AIDS. J. Am. Stat. Assoc. 90(429), 27–37 (1995)
18.
Metadaten
Titel
The Potential for Nonparametric Joint Latent Class Modeling of Longitudinal and Time-to-Event Data
verfasst von
Ningshan Zhang
Jeffrey S. Simonoff
Copyright-Jahr
2020
Buch
Nonparametric Statistics

Print ISBN: 978-3-030-57305-8

Electronic ISBN: 978-3-030-57306-5

Copyright-Jahr: 2020

DOI
https://doi.org/10.1007/978-3-030-57306-5_47