Cluster analyse og longitudinale modeller for latente variable

Specialeforsvar ved Ann-Sophie Buchardt

 Titel:  Cluster analyse og longitudinale modeller for latente variable

Resume: Vi betragter data fra et randomiseret, kontrolleret forsøg på Københavns Universitets-hospital, som forsøger at afgøre, om patienter med akut leukæmi kan drage fordel af et struktureret og overvåget rådgivnings- og motionsprogram. Interventions- og kontrol-grupper bliver fulgt over 12 uger for at vurdere effekten af motionsinterventionen og det såkaldte M.D. Anderson Symptom Inventory (MDASI) forvaltes en gang om ugen. Baseret på metoder som hierarkisk clustering og Mokken scaling undersøger vi, om respons symptomerne kan blive grupperet, og givet forskellige sådanne grupperinger opstiller vi modeller af varierende statistisk kvalitet. Den longitudinale struktur i data er belæg for forskellige afhængighedsstrukturer som bliver vurderet. Således sammenligner vi resultater fra den ordinære regressionsmodel, der antager at observa-tionerne er uafhængige, fra den generaliserede lineære mixed-effects model, der kan være følsom overfor specifikation af variansstrukturen og fra den generaliserede estimationsligning, der anvendes til at estimere parametrene fra en generaliseret lineær model med en kovarians-struktur mellem observationerne, der muligvis er ukendt. For at undersøge hvorvidt patienterne drager fordel af interventionen, analyserer vi data med en primær hypotese om en kontrast mellem interventions- og kontrolgruppen, og vi tester effekten af yderligere kovariater, som vi er i besiddelse. Udover at opstille modeller baseret på a priori fastlagte grupper, forsøger vi at finde grupper ud fra modellering: ved at modellere vekselvirkninger mellem tid og item er det muligt at estimere og identificere grupper simultant. 

Vejledere:  Susanne Ditlevsen,  Karl Bang Christensen, Claus Thorn Ekstrøm, SUND
Censor:     Per Bruun Brockhoff, DTU