⚠️ 以下所有内容总结都来自于 大语言模型的能力，如有错误，仅供参考，谨慎使用
🔴 请注意：千万不要用于严肃的学术场景，只能用于论文阅读前的初筛！
💗 如果您觉得我们的项目对您有帮助 ChatPaperFree ，还请您给我们一些鼓励！⭐️ HuggingFace免费体验
2025-09-28 更新
An Interpretable Single-Index Mixed-Effects Model for Non-Gaussian National Survey Data
Authors:Qingyang Liu, Debdeep Pati, Dipankar Bandyopadhyay
This manuscript presents an innovative statistical model to quantify periodontal disease in the context of complex medical data. A mixed-effects model incorporating skewed random effects and heavy-tailed residuals is introduced, ensuring robust handling of non-normal data distributions. The fixed effect is modeled as a combination of a slope parameter and a single index function, constrained to be monotonic increasing for meaningful interpretation. This approach captures different dimensions of periodontal disease progression by integrating Clinical Attachment Level (CAL) and Pocket Depth (PD) biomarkers within a unified analytical framework. A variable selection method based on the grouped horseshoe prior is employed, addressing the relatively high number of risk factors. Furthermore, survey weight information typically provided with large survey data is incorporated to ensure accurate inference. This comprehensive methodology significantly advances the statistical quantification of periodontal disease, offering a nuanced and precise assessment of risk factors and disease progression. The proposed methodology is implemented in the \textsf{R} package \href{https://cran.r-project.org/package=MSIMST}{\textsc{MSIMST}}.
本文介绍了一种创新的统计模型，用于在复杂的医疗数据背景下量化牙周病。引入了一个混合效应模型，该模型结合了偏态随机效应和重尾残差，确保对非正态分布数据的稳健处理。固定效应被建模为斜率参数和单一指数函数的组合，被约束为单调递增，以便于有意义的解释。该方法通过在一个统一的分析框架内整合临床附着水平（CAL）和牙周袋深度（PD）生物标志物，捕捉牙周病进展的不同维度。采用基于分组马具先验的变量选择方法，解决风险因子数量相对较多的问题。此外，还纳入了大型调查数据通常提供的调查权重信息，以确保准确推断。这一综合方法显著推进了牙周病的统计量化工作，提供了对风险因素和疾病进展的微妙和精确评估。所提出的方法在\emph{R}包\emph{MSIMST}中实现（\href{https://cran.r-project.org/package=MSIMST}{\emph{MSIMST}}）。
论文及项目相关链接
PDF 39 pages, 13 figures
Summary
新型统计模型用于量化牙周病的进展。该模型结合倾斜随机效应和重尾残差，稳健处理非正态分布数据。采用固定效应与斜率参数和单一递增指数函数结合，捕捉牙周病进展的不同维度。利用分组马掌先验进行变量选择，解决大量风险因素的问题。融入大型调查数据提供的调查权重信息，确保准确推断。该模型为风险因素和疾病进展提供精准评估，有助于改进牙周病的统计量化。提出的模型在R包MSIMST中实现。
Key Takeaways
- 介绍了一种新型统计模型，用于量化复杂医疗数据中的牙周病。
- 该模型能够稳健地处理非正态分布数据，通过结合倾斜随机效应和重尾残差来进行建模。
- 固定效应由斜率参数和单一递增指数函数构成，以捕捉牙周病进展的不同维度。
- 采用分组马掌先验进行变量选择，以处理大量风险因素。
- 融入了调查权重信息，确保准确推断。
- 该模型为风险因素和疾病进展提供了精准评估。
点此查看论文截图
