Modelo de regressão de Cox com verossimilhança monótona
Quando se modela estudos clínicos ou epidemiológicos envolvendo eventos raros é comum obter amostras com alto percentual de censura. A presença de covariáveis binárias nas análises pode criar problemas durante o processo de estimação fazendo com que a função de verossimilhança não seja maximizada pa...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Estado: | Versión publicada |
| Fecha de publicación: | 2017 |
| País: | Brasil |
| Institución: | Universidade Federal de Minas Gerais (UFMG) |
| Repositorio: | Repositório Institucional da UFMG |
| Idioma: | portugués |
| OAI Identifier: | oai:repositorio.ufmg.br:1843/ICED-AM722U |
| Acceso en línea: | http://hdl.handle.net/1843/ICED-AM722U |
| Access Level: | acceso abierto |
| Palabra clave: | Análise de Sobrevivência Verossimilhança Monótona Correção de Firth Melanoma Abordagem Bayesiana Análise de regressão Regressão de Cox Estatística Estatistica Verossimilhança (Estatistica) Teoria bayesiana de decisão estatistica Verossimilhança (Estatística) |
| Sumario: | Quando se modela estudos clínicos ou epidemiológicos envolvendo eventos raros é comum obter amostras com alto percentual de censura. A presença de covariáveis binárias nas análises pode criar problemas durante o processo de estimação fazendo com que a função de verossimilhança não seja maximizada para determinados parâmetros. Este fenômeno é conhecido na literatura por verossimilhança monótona, e ocorre quando um dos níveis da covariável binária não está associado ao evento de interesse. Uma solução para o problema baseada na inferência Clássica, foi sugerida por Heinze e Schemper (2001), sendo uma adaptação do procedimento de Firth (1993), originalmente desenvolvido para reduzir o viés dos estimadores de máxima verossimilhança. Este procedimento garante a obtenção de estimativas finitas para os parâmetros. No entanto, a solução tem a desvantagem de fornecer estimativas viesadas associadas a erros-padrão elevados. Neste trabalho, propomos corrigir o problema usando a abordagem Bayesiana, onde diferentes funções de penalidade (distribuições a priori) para os parâmetros foram testadas, como por exemplo a N(m, v), Cauchy(l, s) e log-F(a, b). Um estudo de simulação foi desenvolvido para avaliar o comportamento assintótico das estimativas. Finalmente, realiza-se uma aplicação destes procedimentos a um banco de dados real referente a pacientes com melanoma. |
|---|