在实时高频数据的存在下,通过随机亚抽样进行反复事件分析

科学领域:

• 数字健康数字健康
• 生物统计学 生物统计学
• 计算流行病学计算流行病学

背景情况:

• 数字监控研究从移动传感器在自然环境中收集高频,实时数据.
• 这些数据对于建模影响重复事件的生理变化有价值,例如物质使用和自杀念头.
• 传统的反复事件分析面临着高频数据的计算挑战.

研究的目的:

• 提出一个计算效率高,随机亚抽样框架,用于数字监测研究中基于概率的近似估计.
• 用高频数据在反复事件分析中解决概率计算的计算难度.
• 允许使用标准的统计软件来分析复杂的数字监控数据.

主要方法:

• 为了计算高效的估计,引入了一个随机子样本框架.
• 累积危险的衍生值的分样抽样无偏估计器用于近似日志概率.
• 已证明近似得分方程相当于逻辑回归得分方程.

主要成果:

• 拟议的方法为分析高频数字监控数据提供了一个计算效率高的替代方案.
• 该方法平衡了效率和准确性,受抽样率影响的权衡.
• 模拟证实了该方法的可行性,并证明了效率计算的权衡.
• 这种方法用自杀念头数字监测研究的数据来说明.

结论:

• 随机亚抽样框架为数字监测研究中的计算密集的概率估计提供了一个实用的解决方案.
• 这种方法有助于对实时,高频数据进行分析,以确定反复事件的结果.
• 对物流回归的等价性允许使用现有的统计软件进行可访问的实现.