带有缺失类型的多类型复发事件数据的半参数回归模型及应用

Multivariate recurrent event data are generated when subjects experience several different types of recurrent events. This type of data frequently arises in medical studies, industrial engineering, economics, sociology and other fields. However, because of technical difficulty or the negligence in collecting data, the identification of the event type is always missing. This project will systematically study semiparametric regression models for multivariate recurrent event data with missing event type. First, we propose three different weighted estimating equations to estimate unknown parameters and functions in proportional rates model, additive rates model, and generalized accelerated recurrence time model with partially functional effect. Second, we propose model checking techniques to check the reasonability of the imposed model, which is advantageous in model selection. When the missing event type follows the missing at random assumption, we adopt the nonparametric local-constant kernel estimators. Otherwise we propose a semiparametric model for the nonignorable missing mechanism to solve the non-identifiability problem. We will establish the asymptotic properties of the proposed estimators, assess their finite sample performance through simulation studies, and apply them in the real data analysis. This project has important theory significance and practical value.

多类型复发事件数据，即个体经历几种不同类型重复发生事件时产生的数据，广泛地出现在生物医学，工业工程，经济学和社会学等领域中。然而，由于技术困难或者数据收集过程中的疏忽，复发事件类型的识别总含有缺失。本项目针对带有缺失类型的多类型复发事件数据，系统地研究半参数回归模型。首先研究比例比率模型，加性比率模型和具有部分函数效应的广义加速复发时间模型，提出三种不同的加权估计方程来给出这些模型未知系数与函数的估计方法，其次提出模型检验新方法来检验所假设模型的合理性，进行模型选择。当缺失类型符合随机缺失的假设时，我们采用非参数局部常数估计缺失概率。否则我们用一类半参数模型对缺失机制进行建模，从而解决不可忽略缺失机制带来的模型识别问题。针对所提出的估计量，我们给出它们的渐近性质，通过数值模拟验证它们在有限样本下的表现，并将它们应用到实际数据中。本项目的研究具有重要的理论价值和实际意义。

纵向数据、偏差数据和缺失数据是三类常见的复杂数据类型。复发事件数据，即个体经历重复发生事件时产生的数据，通常与纵向数据伴随产生。多类型复发事件数据为个体经历几种不同类型重复发生事件时产生的数据。这些数据广泛地出现在生物医学，工业工程，经济学和社会学等领域中。然而，由于技术困难或者数据收集过程中的疏忽，复发事件类型的识别总含有缺失，出现带有缺失类型的多类型复发事件数据。当事件最多发生一次，带有缺失类型的多类型复发事件数据退化为删失变量可能缺失的生存数据。本项目针对这几类复杂数据，研究了：1）偏差数据的广义均值剩余寿命模型；2）复发事件数据的分位数回归模型；3）删失变量可能缺失的生存数据的分位数回归模型；4）协变量可能缺失的长度偏差数据的半参数转移模型；5）高维纵向成分数据的全局分位数回归模型；6）基于分位数回归模型的边际分位数估计；7）带有缺失类型的多类型复发事件数据的半参数加性比率模型；8）删失示性变量可能缺失的广义均值剩余寿命模型。针对带有缺失类型的多类型复发事件数据和删失变量可能缺失的生存数据，分别在加性比率模型、分位数回归模型和广义均值剩余寿命模型下，提出了扩大逆概率加权方法，提出了模型检验方法检验所假设模型的合理性，进行模型选择。基于分位数回归模型能处理异质性的特点，我们提出了一个能考虑个体异质性的模型对复发事件数据进行建模。我们将高维全局分位数回归模型创新地应用到纵向成分数据上。我们用广义均值剩余寿命模型分析了偏差数据，提出了无偏的估计方法。我们用重加权的办法分析了协变量可能缺失的长度偏差数据。针对所提出的估计量，我们给出它们的渐近性质，通过数值模拟验证它们在有限样本下的表现，并将它们应用到实际数据中。本项目的研究具有重要的理论价值和实际意义。