Comparison of methods for clustering in longitudinal categorical data

Abstract

The longitudinal data analysis with a categorical dependent variable frequently occurs in research, offering insights into individual patterns and facilitating tailored interventions. However, compared to longitudinal continuous data, there has been limited exploration of methodologies for analyzing longitudinal categorical data. The study explores methodologies for identifying similar patterns in categorical dependent variables across diverse contexts. Simulations were conducted to generate longitudinal binary data, employing models with random intercepts, multivariate binary models, and Grouped Generalized Estimating Equation models. Results indicate the group based trajectory model consistently outperformed others in accurately estimating cluster numbers. However, limitations were identified in representing binary data, particularly in trajectories with four clusters. Performance metrics such as the adjusted Rand index were used but raised doubts about adequacy, urging the need for more comprehensive evaluation metrics.

이 연구는 다양한 맥락에서 범주형 종속 변수의 유사한 패턴을 식별하기 위한 방법론 을 탐구합니다. 시뮬레이션을 통해 종단적인 바이너리 데이터를 생성하며, 무작위 절 편, 다변량 이항 모델 및 그룹화된 일반화 추정 방정식 모델을 사용합니다. 결과는 그룹 기반 궤적 모델이 클러스터 수를 정확하게 추정하는 데 다른 모델보다 일관되게 우수한 성능을 보였다는 것을 나타냅니다. 그러나 이진 데이터를 표현하는 데 한계가 있음을 확인했는데, 특히 네 개 클러스터를 갖는 궤적에서 뚜렷하게 드러 났습니다. 조정된 랜드 지수와 같은 성능 지표를 사용했지만, 이러한 평가가 적절한 지에 대한 의문이 제기되어 더 포괄적인 평가 지표가 필요합니다.