Unified Methods for Censored Longitudinal Data and Causality

در طول دهه‌های گذشته، انفجاری در محاسبات و فناوری اطلاعات رخ داده است. این پیشرفت با گسترش مطالعات مشاهده‌ای پیچیده و آزمایش‌های بالینی در زمینه‌های مختلف مانند پزشکی، زیست‌شناسی، اپیدمیولوژی، جامعه‌شناسی، و اقتصاد در میان بسیاری دیگر، که شامل جمع‌آوری مقادیر زیادی از داده‌ها در مورد موضوعات یا موجودات در طول زمان است، به وجود می‌آید. هدف چنین مطالعاتی را می توان به عنوان تخمین پارامتر ابعاد محدود توزیع جمعیت مطابق با فرآیند مشاهده شده وابسته به زمان فرمول بندی کرد. چنین مشکلات تخمینی در تحلیل بقا، استنتاج علی و تحلیل رگرسیون به وجود می آید. این کتاب یک چارچوب آماری اساسی برای تجزیه و تحلیل داده های طولی پیچیده ارائه می دهد. این اولین توصیف جامع از تکنیک‌های تخمین بهینه مبتنی بر ساختارهای داده وابسته به زمان در معرض سانسور اطلاعاتی و تخصیص درمان در به اصطلاح مدل‌های نیمه پارامتریک را ارائه می‌کند. مدل های نیمه پارامتریک به ویژه جذاب هستند زیرا امکان حضور پارامترهای مزاحم بزرگ بدون مدل را فراهم می کنند. این تکنیک ها شامل تخمین پارامترهای رگرسیون در مدل های رگرسیون خطی تعمیم یافته و شدت ضربی آشنا (چند متغیری) می باشد. آنها فراتر از رویکردهای آماری استاندارد با ترکیب تمام داده‌های مشاهده‌شده برای امکان سانسور اطلاعاتی، دستیابی به حداکثر کارایی و توسعه برآوردکننده‌های اثرات علی هستند. می توان از آن برای آموزش کارشناسی ارشد و دکتری استفاده کرد. دانشجویان در آمار زیستی و آمار و مناسب برای محققان در آمار با علاقه شدید به تجزیه و تحلیل داده های طولی پیچیده است.

During the last decades, there has been an explosion in computation and information technology. This development comes with an expansion of complex observational studies and clinical trials in a variety of fields such as medicine, biology, epidemiology, sociology, and economics among many others, which involve collection of large amounts of data on subjects or organisms over time. The goal of such studies can be formulated as estimation of a finite dimensional parameter of the population distribution corresponding to the observed time- dependent process. Such estimation problems arise in survival analysis, causal inference and regression analysis. This book provides a fundamental statistical framework for the analysis of complex longitudinal data. It provides the first comprehensive description of optimal estimation techniques based on time-dependent data structures subject to informative censoring and treatment assignment in so called semiparametric models. Semiparametric models are particularly attractive since they allow the presence of large unmodeled nuisance parameters. These techniques include estimation of regression parameters in the familiar (multivariate) generalized linear regression and multiplicative intensity models. They go beyond standard statistical approaches by incorporating all the observed data to allow for informative censoring, to obtain maximal efficiency, and by developing estimators of causal effects. It can be used to teach masters and Ph.D. students in biostatistics and statistics and is suitable for researchers in statistics with a strong interest in the analysis of complex longitudinal data.