Modified weights based generalized quasilikelihood inferences in incomplete longitudinal binary models

• Published in: Canadian journal of statistics Vol. 38; no. 2; pp. 217 - 231
• Main Authors: Sutradhar, Brajendra C., Mallick, Taslim S.
• Format: Journal Article
• Language: English
• Published: Hoboken, USA John Wiley & Sons, Inc 01.06.2010; Statistical Society of Canada; Wiley Subscription Services, Inc
• Subjects: Bias; Biased regression estimate; Binary data; Coherence; conditional and unconditional probability weights; consistency; Consistent estimators; Correlation; Correlation analysis; Correlations; Covariance matrices; efficiency; Estimates; Estimating; Estimating techniques; Estimation bias; Estimation methods; logistic models for missing indicators; Longitudinal data; Markov dependence type longitudinal correlations; Mathematical analysis; Mathematical models; MSC 2000: Primary 62F10; Parameter estimation; Parametric models; Regression; Regression analysis; secondary 62J12; Standard error; Studies; Unbiased estimators
• ISSN: 0319-5724; 1708-945X; 1708-945X
• DOI: 10.1002/cjs.10057

In an incomplete longitudinal set up, a small number of repeated responses subject to an appropriate missing mechanism along with a set of covariates are collected from a large number of independent individuals over a small period of time. In this set up, the regression effects of the covariates are routinely estimated by solving certain inverse weights based generalized estimating equations. These inverse weights are introduced to make the estimating equation unbiased so that a consistent estimate of the regression parameter vector may be obtained. In the existing studies, these weights are in general formulated conditional on the past responses. Since the past responses follow a correlation structure, the present study reveals that if the longitudinal data subject to missing mechanism are generated by accommodating the longitudinal correlation structure, the conditional weights based on past correlated responses may yield biased and hence inconsistent regression estimates. The bias appears to get larger as the correlation increases. As a remedy, in this paper the authors proposed a modification to the formulation of the existing weights so that weights are not affected directly or indirectly by the correlations. They have then exploited these modified weights to form a weighted generalized quasi-likelihood estimating equation that yields unbiased and hence consistent estimates for the regression effects irrespective of the magnitude of correlation. The efficiencies of the regression estimates follow due to the use of the true correlation structure as a separate longitudinal weights matrix in the estimating equation. Dans un cadre de données longitudinales incomplètes, nous observons un petit nombre de réponses répétées sujettes à un mécanisme de valeurs manquantes approprié avec un ensemble de covariables provenant d'un grand nombre d'individus indépendants observés sur une petite période de temps. Dans ce cadre, les composantes de régression des covariables sont habituellement estimées en résolvant certains poids inverses obtenus à partir d'équations d'estimation généralisées. Ces poids inverses sont utilisés afin de rendre les équations d'estimation sans biais et ainsi permettre d'obtenir des estimateurs cohérents pour le vecteur des paramètres de régressions. Dans les études déjà existantes, ces poids sont généralement formulés conditionnement aux réponses passées. Puisque les réponses passées possèdent une structure de corrélation, cet article révèle que si les données longitudinales, soumises à un mécanisme de valeurs manquantes, sont générées en adaptant la structure de corrélation longitudinale, alors les poids conditionnels basés sur les réponses corrélées passées peuvent mener à des estimations biaisées, et conséquemment non cohérentes, des composantes de régression. Ce biais semble augmenter lorsque la corrélation augmente. Pour remédier à cette situation, les auteurs proposent dans cet article, une modification aux poids déjà existants afin que ceux-ci ne soient plus affectés directement ou indirectement par les corrélations. Par la suite, ils ont exploité ces poids modifiés pour obtenir une équation d'estimation généralisée pondérée basée sur la quasi-vraisemblance qui conduit à des estimateurs sans biais, et ainsi cohérents, pour les composantes de régression sans égard à l'ampleur de la corrélation. L'efficacité de ces estimateurs est attribuable à l'utilisation de la vraie structure de corrélation comme matrice de poids longitudinale à part dans l'équation d'estimation.