Estimando a correlação entre as taxas de mudança em estudos longitudinais na presença de abandono

O que aconteceu

Estimar a correlação entre as taxas de mudança específicas de sujeitos é um objetivo comum em estudos longitudinais. Uma abordagem natural é ajustar regressões de mínimos quadrados comuns por sujeito e correlacionar as estimativas de inclinação resultantes diretamente. Sob dados completos, este estimador de declives-primeiro é algebricamente equivalente a um estimador de plug-in baseado em contraste derivado da matriz de variância-covariância conjunta dos dois sinais ao longo do tempo. Sob evasão independente, no entanto, a abordagem de inclinação-primeira aplica implicitamente pesos heterogêneos em padrões de dados ausentes, introduzindo viés sempre que a covariância cruzada entre os dois sinais não é constante ao longo do tempo. Formalizamos esse resultado e propomos uma alternativa imparcial que estima a matriz de covariância articular antes de aplicar o contraste. Também estendemos nossos resultados para incluir covariáveis. Simulações confirmam que o estimador slopes-first é enviesado sob covariância cruzada não constante enquanto a alternativa proposta permanece imparcial. Além disso, mostramos em um exemplo do mundo real que os dois estimadores podem levar a conclusões científicas diferentes e recomendamos que pesquisadores que trabalham com dados longitudinais inspeccionem o padrão de dados em falta para tomar uma decisão informada sobre o estimador de escolha.