Modelado conjunto de regresión de cuantiles compuestos para datos longitudinales ordinales múltiples con sus...

Área de la Ciencia:

• Estadística
• Bioestadística
• Econometría

Sus antecedentes:

• El modelado de regresión de datos longitudinales a menudo involucra indicadores de respuesta múltiples y correlacionados.
• En la medicina clínica, estos indicadores son frecuentemente ordinales.
• Los métodos tradicionales de regresión media (MR) tienen dificultades con las distribuciones de error no normales en dichos datos.

Objetivo del estudio:

• Proponer un nuevo método conjunto de regresión de cuantiles compuestos (CQR) relativa para datos longitudinales ordinales multivariados.
• Abordar las limitaciones de los métodos MR al tratar con distribuciones de error no normales.
• Aplicar el método propuesto al análisis de datos médicos longitudinales sobre la demencia.

Principales métodos:

• Se desarrolló un método CQR relativo conjunto basado en la distribución laplaciana asimétrica compuesta seudo (PCALD) y modelos de variables latentes.
• Se emplearon algoritmos de Monte Carlo de cadenas de Markov (MCMC) para la estimación de parámetros.
• Se validó el método utilizando simulaciones de Monte Carlo y conjuntos de datos reales de demencia.

Principales resultados:

• El método CQR relativo conjunto propuesto proporciona estimaciones de parámetros robustas para datos longitudinales ordinales multivariados.
• Demostró un rendimiento superior en comparación con los métodos MR tradicionales, especialmente en condiciones de error no normales.
• Se aplicó con éxito al análisis de datos médicos longitudinales, lo que proporcionó información eficaz sobre la progresión de la demencia.

Conclusiones:

• El método CQR relativo conjunto es una alternativa eficaz y robusta para analizar datos longitudinales ordinales multivariados.
• Este enfoque mejora la confiabilidad del modelado estadístico en la medicina clínica, particularmente para conjuntos de datos complejos.
• El estudio destaca la utilidad de CQR para superar las limitaciones de las técnicas de regresión tradicionales.