Marginalized transition random effect models for multivariate longitudinal binary data

Authors


Abstract

Generalized linear models with random effects and/or serial dependence are commonly used to analyze longitudinal data. However, the computation and interpretation of marginal covariate effects can be difficult. This led Heagerty (1999, 2002) to propose models for longitudinal binary data in which a logistic regression is first used to explain the average marginal response. The model is then completed by introducing a conditional regression that allows for the longitudinal, within-subject, dependence, either via random effects or regressing on previous responses. In this paper, the authors extend the work of Heagerty to handle multivariate longitudinal binary response data using a triple of regression models that directly model the marginal mean response while taking into account dependence across time and across responses. Markov Chain Monte Carlo methods are used for inference. Data from the Iowa Youth and Families Project are used to illustrate the methods.

Abstract

Des modèles à effets aléatoires et à transition marginalisée pour des données longitudinales binaires multivariées

On a souvent recours à des modèles linéaires généralisés comportant des effets aléatoires et/ou une dépendance sérielle pour l'analyse de données longitudinales. Toutefois, le calcul et l'interprétation des effets marginaux des covariables est parfois ardu. Ceci a conduit Heagerty (1999, 2002) à proposer des modèles pour les données longitudinales binaires dans lesquels on commence par ajuster l'espérance marginale de la variable réponse à l'aide d'une régression logistique. La modélisation est ensuite complétée par une régression conditionnelle qui rend compte de la dépendance longitudinale intra-sujet au moyen d'effets aléatoires ou d'une régression sur les valeurs passées de la variable réponse. Dans cet article, les auteurs étendent les travaux de Heagerty au traitement de données longitudinales binaires multivariées grâce à trois régressions qui modélisent directement l'espérance marginale des variables réponses, en plus de décrire la dépendance entre elles et en fonction du temps. L'inférence s'appuie sur des méthodes de Monte-Carlo à chaîne de Markov. Des données issues de l'étude sur la jeunesse et les familles de l'Iowa servent à illustrer le propos.

Ancillary