Bien que les modèles standard à effets mixtes soient utiles dans toute une série d’études, d’autres approches doivent souvent être utilisées en corrélation avec celles-ci lors de l’étude de données complexes ou incomplètes. Mixed Effects Models for Complex Data traite des modèles à effets mixtes couramment utilisés et présente des approches appropriées pour traiter les abandons, les données manquantes, les erreurs de mesure, la censure et les valeurs aberrantes. Pour chaque classe de modèle à effets mixtes, l’auteur examine la classe correspondante de modèle de régression pour les données transversales. Un aperçu des modèles et méthodes généraux, ainsi que des exemples motivants Après avoir présenté des exemples de données réelles et esquissé des approches générales de l’analyse des données longitudinales/groupées et des données incomplètes, le livre présente les modèles linéaires à effets mixtes (LME), les modèles linéaires mixtes généralisés (GLMM), les modèles à effets mixtes non linéaires (NLME) et les modèles semi-paramétriques et non paramétriques à effets mixtes. Il comprend également des approches générales pour l’analyse de données complexes avec des valeurs manquantes, des erreurs de mesure, la censure et des valeurs aberrantes. Couverture autonome de sujets spécifiquesLes chapitres suivants approfondissent plus en profondeur les problèmes de données manquantes, les erreurs de mesure des covariables et les réponses censurées dans les modèles à effets mixtes. En se concentrant sur les données incomplètes, le livre couvre également les modèles de survie et de fragilité, les modèles conjoints de survie et les données longitudinales, les méthodes robustes pour les modèles à effets mixtes, les modèles d’équations d’estimation généralisées marginales (EEG) pour les données longitudinales ou groupées et les méthodes bayésiennes pour les modèles à effets mixtes. ContexteDans l’annexe, l’auteur fournit des informations de base telles que la théorie des vraisemblances, l’échantillonneur de Gibbs, les méthodes d’échantillonnage de rejet et d’importance, les méthodes d’intégration numérique, les méthodes d’optimisation, l’algèbre bootstrap et matricielle. L’incapacité à traiter correctement les données manquantes, les erreurs de mesure et d’autres problèmes dans les analyses statistiques peut conduire . Langue : Anglais