Busca avançada
Ano de início
Entree
(Referência obtida automaticamente do Web of Science, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores.)

Heavy-tailed longitudinal regression models for censored data: a robust parametric approach

Texto completo
Autor(es):
Matos, Larissa A. [1] ; Lachos, Victor H. [2] ; Lin, Tsung-I [3, 4] ; Castro, Luis M. [5]
Número total de Autores: 4
Afiliação do(s) autor(es):
[1] Univ Estadual Campinas, Dept Stat, Campinas, SP - Brazil
[2] Univ Connecticut, Dept Stat, Storrs, CT 06269 - USA
[3] Natl Chung Hsing Univ, Inst Stat, Taichung 402 - Taiwan
[4] China Med Univ, Dept Publ Hlth, Taichung 404 - Taiwan
[5] Pontificia Univ Catolica Chile, Dept Stat, Santiago - Chile
Número total de Afiliações: 5
Tipo de documento: Artigo Científico
Fonte: TEST; v. 28, n. 3, p. 844-878, SEP 2019.
Citações Web of Science: 0
Resumo

Longitudinal HIV-1 RNA viral load measures are often subject to censoring due to upper and lower detection limits depending on the quantification assays. A complication arises when these continuous measures present a heavy-tailed behavior because inference can be seriously affected by the misspecification of their parametric distribution. For such data structures, we propose a robust nonlinear censored regression model based on the scale mixtures of normal distributions. By taking into account the autocorrelation existing among irregularly observed measures, a damped exponential correlation structure is considered. A stochastic approximation of the EM algorithm is developed to obtain the maximum likelihood estimates of the model parameters. The main advantage of this new procedure os to allow estimating the parameters of interest and evaluating the log-likelihood function easily and quickly. Furthermore, the standard errors of the fixed effects and predictions of unobservable values of the response can be obtained as a byproduct. The practical utility of the proposed method is exemplified using both simulated and real data. (AU)

Processo FAPESP: 15/05385-3 - Estimação em modelos de efeitos mistos para respostas censuradas usando as distribuições de misturas de escala normal
Beneficiário:Larissa Avila Matos
Linha de fomento: Bolsas no Exterior - Estágio de Pesquisa - Doutorado
Processo FAPESP: 18/05013-7 - Modelos semi-paramétricos de efeitos mistos com respostas múltiplas censuradas sob a classe de distribuições misturas de escala normal
Beneficiário:Larissa Avila Matos
Linha de fomento: Auxílio à Pesquisa - Pesquisador Visitante - Internacional
Processo FAPESP: 14/02938-9 - Estimação e diagnóstico em modelos de efeitos mistos para dados censurados usando misturas de escala skew-normal
Beneficiário:Víctor Hugo Lachos Dávila
Linha de fomento: Auxílio à Pesquisa - Regular
Processo FAPESP: 11/22063-9 - Aplicações das distribuições de misturas da escala skew-normal em modelos de análise fatorial
Beneficiário:Larissa Avila Matos
Linha de fomento: Bolsas no Brasil - Doutorado