Sto provando a trattare un'analisi del tempo per l'evento usando ripetuti risultati binari. Supponiamo che il tempo per l'evento sia misurato in giorni ma per il momento discretizziamo il tempo o le settimane. Voglio approssimare uno stimatore di Kaplan-Meier (ma consentire le covariate) usando risultati binari ripetuti. Sembrerà una strada rotonda da percorrere ma sto esplorando come ciò si estenda ai risultati ordinali e agli eventi ricorrenti.
Se crei una sequenza binaria che assomiglia a 000 per qualcuno censurato a 3 settimane, 0000 per qualcuno censurato a 4w e 0000111111111111 .... per un soggetto che ha fallito a 5w (gli 1 si estendono al punto in cui si trovava l'ultimo soggetto seguito nello studio), quando si calcolano proporzioni specifiche di una settimana di 1 secondo, è possibile ottenere incidenze cumulative ordinarie (fino a quando non si arriva a tempi di censura variabili, dove questo si avvicina solo ma non equivale alle stime di incidenza cumulative di Kaplan-Meier).
Posso adattare le osservazioni binarie ripetute con un modello logistico binario usando GEE, invece di rendere il tempo discreto come sopra ma invece usando una spline nel tempo. Lo stimatore di covarianza a sandwich di cluster funziona abbastanza bene. Ma vorrei ottenere un'inferenza più esatta usando un modello di effetti misti. Il problema è che gli 1 dopo il primo 1 sono ridondanti. Qualcuno conosce un modo per specificare effetti casuali o per specificare un modello che tenga conto dei licenziamenti in modo che gli errori standard non vengano eliminati?
Si noti che questa configurazione differisce da quella di Efron perché utilizzava modelli logistici per stimare le probabilità condizionali nelle serie di rischi. Sto stimando le probabilità incondizionate.
GLMMadaptive
pacchetto sembra eccezionale per l'installazione più generale.