我有一个方法问题，没有附加数据集。
假设我的目标是为生存数据拟合比例风险模型 (Cox)。我对每个人都有多个观察结果（长格式数据）。特别感兴趣的是一个连续的预测因素（如血脂水平），我正在研究与心肌梗塞风险的关联/影响。
我是这方面的新手，但我使用与时间相关的 Cox 回归（没有聚类，因为只分析了一个事件[重复事件不感兴趣]）。在我看来，这是标准方法。
现在，包 JMbayes、JM、joinR、lcmm 可以适合联合模型（http://www.r-bloggers.com/joint-models-for-longitudinal-and-survival-data/），这似乎是混合效应模型和 Cox 回归。
这似乎是一个不错的想法，可以与稳健的方法相结合……联合模型报告了几个优点，其中反复提到了“每个患者轨迹的精度”。但是，我使用这种方法搜索了 pubmed、google 学者和 google 的出版物，但没有找到太多。
我应该坚持“通常的”时间相关（计数过程）Cox 回归吗？优点？缺点？
联合模型相对于时间相关 Cox 模型的主要突破是它们允许处理时间相关变量（在这种情况下为纵向变量）中的误差测量。在具有时间相关协变量的 Cox 模型中，我们假设变量的测量没有误差。
一些参考资料：
Tsiatis, AA e M. Davidian (2004)。纵向和事件发生时间数据的联合建模：概述。中国统计 14 (3),809-834。
Rizopoulos, D. (2012b)。在 R. Chapman 和 Hall/CRC 中应用的纵向和时间到事件数据的联合模型
Henderson, R.、P. Diggle、e A. Dobson（2000 年，12 月）。纵向测量和事件时间数据的联合建模。生物统计学 1 (4), 465-480。
主要问题是它们很耗时（计算方面），而且软件还不是很友好。有几种方法，您可以让所有协变量都与时间相关，但在这种情况下，您应该考虑先采用多元纵向模型。此外，对于每种情况，您必须考虑在纵向模型和生存模型之间共享的最佳内容是什么 - 有时是随机效应（如果您对纵向数据使用混合效应模型），有时是纵向变量的预期值在活动时间。有时是纵向轨迹的一些其他特征，如方差、纵向数据的累积效应等。JM 应该适应每种情况和每种类型的数据。它'