Wie kann die Ordnung heterogener Hidden-Markov-Modelle (HMMs) effizient für die Analyse von Längsschnittdaten ausgewählt werden? Diese Studie stellt ein Bayesian-Double-Penalization-Verfahren (BDP) zur gleichzeitigen Ordnungsselektion und Parameterschätzung in heterogenen semiparametrischen HMMs vor. HMMs sind wertvolle Werkzeuge zur Charakterisierung dynamischer Heterogenität in Daten. Um die Herausforderungen bei der Aktualisierung der Ordnung zu bewältigen, entwickelten die Forscher einen neuartigen Markov-Chain-Monte-Carlo-Algorithmus in Verbindung mit einer effektiven Adjust-Bound-Reversible-Jump-Strategie. Dieser Algorithmus erleichtert die Schätzung und verbessert herkömmliche kriteriumsbasierte Ansätze. Durch Simulationsergebnisse demonstriert das vorgeschlagene BDP-Verfahren eine starke Leistung bei der Schätzung. Die Anwendung dieser Methode auf die Alzheimer's Disease Neuroimaging Initiative Forschung unterstützt zusätzlich ihren Nutzen. Diese Studie verbessert die Analyse von Längsschnittdaten durch die Bereitstellung einer robusten und effizienten Methode zur Ordnungsselektion in HMMs.
Diese Studie wurde in Statistics in Medicine veröffentlicht, das sich mit der Entwicklung und Anwendung statistischer Methoden in der Gesundheits- und medizinischen Forschung befasst, und stellt ein neuartiges statistisches Verfahren vor, das auf medizinische Daten anwendbar ist. Durch die Fokussierung auf Daten der Alzheimer's Disease Neuroimaging Initiative demonstriert die Arbeit ihre Relevanz für die Analyse komplexer Längsschnittdatensätze in der medizinischen Forschung, was mit dem Umfang der Zeitschrift übereinstimmt.