Obwohl Standardmodelle mit gemischten Effekten in einer Reihe von Studien nützlich sind, müssen bei der Untersuchung komplexer oder unvollständiger Daten oft andere Ansätze in Korrelation mit ihnen verwendet werden. Mixed-Effects-Modelle für komplexe Daten erläutert häufig verwendete Modelle mit gemischten Effekten und stellt geeignete Ansätze für den Umgang mit Abbrüchen, fehlenden Datenmessfehlern, Zensur und Ausreißern vor. Für jede Klasse von Modellen mit gemischten Effekten überprüft der Autor die entsprechende Klasse von Regressionsmodellen für Querschnittsdaten. Ein Überblick über allgemeine Modelle und Methoden sowie motivierende Beispiele Nach der Präsentation von Beispielen aus realen Daten und der Skizzierung allgemeiner Ansätze zur Analyse von Längsschnitt-/Clusterdaten und unvollständigen Daten stellt das Buch Modelle für lineare gemischte Effekte (LME), verallgemeinerte lineare gemischte Modelle (GLMMs), nichtlineare Modelle mit gemischten Effekten (NLME) sowie semiparametrische und nichtparametrische Modelle mit gemischten Effekten vor. Es enthält auch allgemeine Ansätze für die Analyse komplexer Daten mit fehlenden Werten, Messfehlern, Zensur und Ausreißern. Eigenständige Abdeckung spezifischer ThemenDie folgenden Kapitel befassen sich eingehender mit Problemen fehlender Daten, Kovariatenmessfehlern und zensierten Antworten in Modellen mit gemischten Effekten. Das Buch konzentriert sich auf unvollständige Daten und behandelt auch Überlebens- und Gebrechlichkeitsmodelle, gemeinsame Modelle von Überlebens- und Längsschnittdaten, robuste Methoden für Modelle mit gemischten Effekten, marginale verallgemeinerte Schätzgleichungsmodelle (GEE) für Längsschnitt- oder Clusterdaten und Bayes'sche Methoden für Modelle mit gemischten Effekten. HintergrundmaterialIm Anhang stellt der Autor Hintergrundinformationen zur Verfügung, wie z. B. die Wahrscheinlichkeitstheorie, die Gibbs-Sampler-Ablehnung und -Wichtigkeit, Stichprobenmethoden, numerische Integrationsmethoden, Optimierungsmethoden, Bootstrap und Matrixalgebra. Wenn fehlende Daten, Messfehler und andere Probleme in statistischen Analysen nicht richtig behoben werden, kann dies dazu führen . Sprache: Englisch