Análisis bayesiano de datos ordinarios longitudinales con valores faltantes utilizando modelos de probas...

Área de la Ciencia:

• Las estadísticas
• Estadísticas biológicas
• Las economías

Sus antecedentes:

• Los datos ordinales longitudinales con valores faltantes son comunes en la investigación científica.
• El análisis de dichos datos requiere métodos estadísticos sólidos para garantizar resultados precisos.
• Los métodos existentes pueden luchar con importantes deficiencias, lo que requiere nuevos enfoques.

Objetivo del estudio:

• Proponer métodos bayesianos eficientes para el análisis de datos ordinales longitudinales con valores faltantes.
• Desarrollar y evaluar las técnicas de muestreo de cadena de Markov Monte Carlo (MCMC) para modelos de probas multivariadas.
• Para comparar el rendimiento de los métodos basados en modelos probit no identificables frente a los identificables.

Principales métodos:

• Desarrollo de métodos de muestreo de MCMC para modelos de probas multivariadas no identificables.
• Comparación del rendimiento de MCMC entre modelos probit no identificables y identificables.
• Estudios de simulación para evaluar la capacidad de los métodos para manejar los datos faltantes.

Principales resultados:

• Los métodos bayesianos propuestos manejan efectivamente los valores sustanciales que faltan en los datos ordinales longitudinales.
• El muestreo de MCMC basado en modelos no identificables, con marginación de parámetros, muestra una mezcla y convergencia superiores.
• El método que utiliza modelos no identificables supera a los basados en modelos identificables.

Conclusiones:

• Los métodos bayesianos eficientes que utilizan el muestreo MCMC pueden analizar con éxito los datos ordinales longitudinales con valores faltantes.
• La marginalización de parámetros redundantes en modelos no identificables mejora el rendimiento de MCMC.
• Los métodos desarrollados son aplicables a los datos del mundo real, como lo demuestra el análisis de la encuesta RLMS-HSE.