Estimación bayesiana en el modelo de riesgos aditivos

Mostrar todas las versiones(2)

En el "análisis de supervivencia", se estudia el comportamiento de variables que miden el tiempo hasta la ocurrencia de cierto evento de interés, por ejemplo, en medicina puede interesar el tiempo hasta la remisión de determinada enfermedad. Dada la naturaleza del estudio, es usual la pres...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autores principales: Riddick, Maximiliano Luis, Álvarez, Enrique Ernesto
Formato: Articulo Comunicacion
Lenguaje:Español
Publicado: 2019
Materias:
Matemática
Estadística Bayesiana
Análisis de Supervivencia
Función de Riesgo
Acceso en línea:http://sedici.unlp.edu.ar/handle/10915/94887
https://revistas.unlp.edu.ar/InvJov/article/view/6917
Aporte de:
SEDICI (UNLP) de Universidad Nacional de La Plata
id I19-R120-10915-94887
record_format dspace
institution Universidad Nacional de La Plata
institution_str I-19
repository_str R-120
collection SEDICI (UNLP)
language Español
topic Matemática
Estadística Bayesiana
Análisis de Supervivencia
Función de Riesgo
spellingShingle Matemática
Estadística Bayesiana
Análisis de Supervivencia
Función de Riesgo
Riddick, Maximiliano Luis
Álvarez, Enrique Ernesto
Estimación bayesiana en el modelo de riesgos aditivos
topic_facet Matemática
Estadística Bayesiana
Análisis de Supervivencia
Función de Riesgo
description En el "análisis de supervivencia", se estudia el comportamiento de variables que miden el tiempo hasta la ocurrencia de cierto evento de interés, por ejemplo, en medicina puede interesar el tiempo hasta la remisión de determinada enfermedad. Dada la naturaleza del estudio, es usual la presencia de "datos censurados", es decir, en estos casos, se mide la variable durante cierto período de tiempo, durante el cual no se ha observado el evento de interés. En este contexto, se define la "función de riesgo", que se puede expresar en función de las expresiones de las funciones de densidad de probabilidad y de distribución acumulada de la variable en cuestión. Se suelen caracterizar los distintos modelos acorde a la expresión que toma su función de riesgo, siendo el más conocido el modelo de riesgos proporcionales de Cox. Como alternativas, suelen aparecer otros modelos. Uno de ellos es en el cual basamos nuestro estudio: el modelo de riesgos aditivos (o AHM). Estos modelos (Cox, Aalen) son semi-paramétricos, ya que constan de una componente paramétrica y una no paramétrica. En el caso de AHM, Lin & Ying abordaron el problema de la estimación de la componente paramétrica del modelo. En nuestro trabajo, tratamos a este modelo mediante un enfoque Bayesiano para ambas componentes, basándonos en las ecuaciones descriptas por Lin & Ying para la componente paramétrica. En el caso de la componente no paramétrica, proponemos, extendiendo lo expuesto el año anterior (Riddick, Álvarez), un proceso a priori conjunto, optando por un proceso Gamma. Para ilustrar la eficacia del método, exponemos los resultados obtenidos mediante simulaciones, y en un conjunto de datos asociados a la medicina.
format Articulo
Comunicacion
author Riddick, Maximiliano Luis
Álvarez, Enrique Ernesto
author_facet Riddick, Maximiliano Luis
Álvarez, Enrique Ernesto
author_sort Riddick, Maximiliano Luis
title Estimación bayesiana en el modelo de riesgos aditivos
title_short Estimación bayesiana en el modelo de riesgos aditivos
title_full Estimación bayesiana en el modelo de riesgos aditivos
title_fullStr Estimación bayesiana en el modelo de riesgos aditivos
title_full_unstemmed Estimación bayesiana en el modelo de riesgos aditivos
title_sort estimación bayesiana en el modelo de riesgos aditivos
publishDate 2019
url http://sedici.unlp.edu.ar/handle/10915/94887
https://revistas.unlp.edu.ar/InvJov/article/view/6917
work_keys_str_mv AT riddickmaximilianoluis estimacionbayesianaenelmodeloderiesgosaditivos
AT alvarezenriqueernesto estimacionbayesianaenelmodeloderiesgosaditivos
bdutipo_str Repositorios
_version_ 1764820492003311620

Ejemplares similares