Generalized time-varying coefficient models for the analysis of longitudinal data in health: an application in HIV / AIDS and COVID-19
Cargando...
Fecha
Autores
Director
Enlace al recurso
DOI
Google Scholar
gruplac
Descripción Dominio:
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad Santo Tomás
Compartir
Documentos PDF
Descripción
El análisis de datos longitudinales es necesario cuando la variable respuesta se mide repetidamente sobre la misma unidad de observación a lo largo del tiempo. Los métodos paramétricos se han empleado tradicionalmente en el análisis de datos longitudinales para estimar los coeficientes que definen la relación entre el predictor lineal y la variable respuesta, sin embargo las técnicas paramétricas no son apropiadas cuando no se cumplen los supuestos acerca de la variable respuesta y la componente aleatoria del modelo, o cuando el valor esperado de la variable respuesta (o una función de esta variable vía una función de enlace) no resulta ser una función conocida de los efectos fijos y aleatorios, razones por las que los modelos paramétricos pueden llevar a conclusiones alejadas de la tendencia promedio del conjunto de datos. En estos casos, las técnicas de regresión no paramétricas, en las que en lugar de parámetros se emplean funciones locales suavizadas que dependen del tiempo, denominados coeficientes o parámetros dinámicos, constituyen una alternativa muy poderosa de modelamiento en el análisis de datos longitudinales, puesto que permiten establecer una dependencia funcional más flexible entre la variable respuesta y las covariables. Este trabajo propone desarrollar técnicas de estimación e inferencia para modelos de coeficientes dinámicos no paramétricos generalizados, particularmente cuando la variable respuesta es de conteo, ilustrando su aplicación en el efecto de la carga viral sobre el conteo de células CD4, en pacientes con HIV/AIDS sometidos a un tratamiento antirretroviral, y también en la predicción de casos de COVID-19.
Abstract
Longitudinal data analysis is necessary when the response variable is repeatedly measured on the same observation unit over time. The parametric methods have been traditionally used in the analysis of longitudinal data to estimate the coefficients that define the relationship between the linear predictor and the response variable, However, parametric techniques do not work when the assumptions about the response variable and the random component of the model are not fulfilled, or when the expected value of the response variable (or a function of this variable via a link function) is not be a known function of the fixed and random effects, reasons why parametric models can draw conclusions away from the average trend of the data set. In these cases, {non-parametric regression techniques, in which time-dependent smoothed local functions are used instead of parameters, called coefficients or dynamic parameters, constitute a very powerful modeling alternative in the analysis of longitudinal data, since they allow establish a more flexible functional dependence between the response variable and the covariates. In this work, it is proposed to develop estimation and inference techniques for generalized non-parametric dynamic coefficient models, particularly when the response variable is counting, illustrating its application in the effect of viral load on CD4 cell count, in patients with HIV / AIDS undergoing antiretroviral treatment, and also in the prediction of COVID-19 cases.
Idioma
spa
Palabras clave
Citación
Casadiego, E. ( 2021). Generalized time-varying coefficient models for the analysis of longitudinal data in health: an application in HIV / AIDS and COVID-19 (Tesis de maestría). Universidad Santo Tomás, Bogotá, Colombia.
Colecciones
Licencia Creative Commons
Atribución-NoComercial-SinDerivadas 2.5 Colombia