Historique
Article de Périodique
Application of random-effects regression models in relapse research (1996)
Auteur(s) :
HEDEKER D. ;
MERMELSTEIN R. J.
Article en page(s) :
S211-S229
Refs biblio. :
60
Domaine :
Drogues illicites / Illicit drugs
Langue(s) :
Anglais
Résumé :
FRANÇAIS :
Cet article décrit et illustre l'utilisation des modèles de régression des résultats au hasard (RRM) dans la recherche sur la rechute. Les RRM sont utiles dans l'analyse longitudinale des données de rechute dans la mesure où ils tiennent compte de la présence de données manquantes, de la covariance constante ou évoluant dans le temps, et des sujets mesurés à différents moments. De plus, une étude récente a élargi les RRM afin de pouvoir manipuler des résultats de type dichotomique ou ordinal, lesquels sont assez fréquents dans la recherche sur la rechute. Deux exemples sont présentés à partir d'une étude sur le sevrage tabagique pour illustrer l'analyse utilisant les RRM. Ils montrent comment les RRM peuvent être utilisés pour étudier les facteurs de prédiction et les conséquences de la rechute, et pour situer la rechute à différents moments de l'étude.
ENGLISH :
This article describes and illustrates use of random-effects regression models (RRM) in relapse research. RRM are useful in longitudinal analysis of relapse data since they allow for the presence of missing data, time-varying or invariant covariates, and subjects measured at different timepoints. Thus, RRM can deal with "unbalanced" longitudinal relapse data, where a sample of subjects are not all measured at each and every timepoint. Also, recent work has extended RRM to handle dichotomous and ordinal outcomes, which are common in relapse research. Two examples are presented from a smoking cessation study to illustrate analysis using RRM. The first illustrates use of a random-effects ordinal logistic regression model, examining longitudinal changes in smoking status, treating status as an ordinal outcome. The second example focuses on changes in motivation scores prior to and following a first relapse to smoking. This latter example illustrates how RRM can be used to examine predictors and consequences of relapse, where relapse can occur at any study timepoint.
Cet article décrit et illustre l'utilisation des modèles de régression des résultats au hasard (RRM) dans la recherche sur la rechute. Les RRM sont utiles dans l'analyse longitudinale des données de rechute dans la mesure où ils tiennent compte de la présence de données manquantes, de la covariance constante ou évoluant dans le temps, et des sujets mesurés à différents moments. De plus, une étude récente a élargi les RRM afin de pouvoir manipuler des résultats de type dichotomique ou ordinal, lesquels sont assez fréquents dans la recherche sur la rechute. Deux exemples sont présentés à partir d'une étude sur le sevrage tabagique pour illustrer l'analyse utilisant les RRM. Ils montrent comment les RRM peuvent être utilisés pour étudier les facteurs de prédiction et les conséquences de la rechute, et pour situer la rechute à différents moments de l'étude.
ENGLISH :
This article describes and illustrates use of random-effects regression models (RRM) in relapse research. RRM are useful in longitudinal analysis of relapse data since they allow for the presence of missing data, time-varying or invariant covariates, and subjects measured at different timepoints. Thus, RRM can deal with "unbalanced" longitudinal relapse data, where a sample of subjects are not all measured at each and every timepoint. Also, recent work has extended RRM to handle dichotomous and ordinal outcomes, which are common in relapse research. Two examples are presented from a smoking cessation study to illustrate analysis using RRM. The first illustrates use of a random-effects ordinal logistic regression model, examining longitudinal changes in smoking status, treating status as an ordinal outcome. The second example focuses on changes in motivation scores prior to and following a first relapse to smoking. This latter example illustrates how RRM can be used to examine predictors and consequences of relapse, where relapse can occur at any study timepoint.
Affiliation :
Prevention Research Center and School of Public Health, University of Illinois at Chicago, USA