In studies of infant growth, an important research goal is to identify latent clusters of infants with delayed motor development—a risk factor for adverse outcomes later in life. However, there are numerous statistical challenges in modeling motor development: the data are typically skewed, exhibit intermittent missingness, and are correlated across repeated measurements over time. Using data from the Nurture study, a cohort of approximately 600 mother-infant pairs, we develop a flexible Bayesian mixture model for the analysis of infant motor development. First, we model developmental trajectories using matrix skew-normal distributions with cluster-specific parameters to accommodate dependence and skewness in the data. Second, we model the cluster-membership probabilities using a Pólya-Gamma data-augmentation scheme, which improves predictions of the cluster-membership allocations. Lastly, we impute missing responses from conditional multivariate skew-normal distributions. Bayesian inference is achieved through straightforward Gibbs sampling. Through simulation studies, we show that the proposed model yields improved inferences over models that ignore skewness or adopt conventional imputation methods. We applied the model to the Nurture data and identified two distinct developmental clusters, as well as detrimental effects of food insecurity on motor development. These findings can aid investigators in targeting interventions during this critical early-life developmental window.

中文翻译：

---

用于具有间歇性缺失观察的倾斜纵向数据的贝叶斯多元混合模型：在婴儿运动发育中的应用

在婴儿生长研究中，一个重要的研究目标是确定运动发育迟缓的潜在婴儿群——这是以后生活中不良结果的一个危险因素。然而，在建模运动发育方面存在许多统计挑战：数据通常是有偏差的，表现出间歇性缺失，并且随着时间的推移在重复测量中相互关联。使用来自 Nurture 研究的数据，一个大约 600 对母婴对的队列，我们​​开发了一个灵活的贝叶斯混合模型来分析婴儿运动发育。首先，我们使用具有集群特定参数的矩阵偏态正态分布对发展轨迹进行建模，以适应数据中的依赖性和偏态。其次，我们使用 Pólya-Gamma 数据增强方案对集群成员概率进行建模，这改进了集群成员分配的预测。最后，我们从条件多元偏态正态分布中估算缺失的响应。贝叶斯推理是通过直接的 Gibbs 采样实现的。通过模拟研究，我们表明所提出的模型对忽略偏度或采用传统插补方法的模型产生了改进的推断。我们将该模型应用于 Nurture 数据，并确定了两个不同的发育集群，以及粮食不安全对运动发育的不利影响。这些发现可以帮助研究人员在这个关键的早期生命发育窗口中进行干预。贝叶斯推理是通过直接的 Gibbs 采样实现的。通过模拟研究，我们表明所提出的模型对忽略偏度或采用传统插补方法的模型产生了改进的推断。我们将该模型应用于 Nurture 数据，并确定了两个不同的发育集群，以及粮食不安全对运动发育的不利影响。这些发现可以帮助研究人员在这个关键的早期生命发育窗口中进行干预。贝叶斯推理是通过直接的 Gibbs 采样实现的。通过模拟研究，我们表明所提出的模型对忽略偏度或采用传统插补方法的模型产生了改进的推断。我们将该模型应用于 Nurture 数据，并确定了两个不同的发育集群，以及粮食不安全对运动发育的不利影响。这些发现可以帮助研究人员在这个关键的早期生命发育窗口中进行干预。