Un modelo de regresión latente de ubicación-escala con una aplicación a datos de ingesta de calorías

Área de la Ciencia:

• Estadística
• Ciencias del Comportamiento
• Bioestadística

Sus antecedentes:

• El análisis de datos longitudinales a menudo requiere la comprensión de las tendencias promedio (ubicación) y la variabilidad individual (escala).
• La identificación de subgrupos ocultos dentro de estos datos es crucial para una interpretación y intervención precisas.
• Los métodos existentes pueden no capturar completamente los patrones complejos tanto en las trayectorias de ubicación como de escala.

Objetivo del estudio:

• Introducir un novedoso modelo de regresión de ubicación-escala con clases latentes para analizar datos longitudinales de comportamiento.
• Desarrollar una herramienta estadística flexible para identificar subgrupos basados en trayectorias de media y variabilidad.
• Proporcionar un método práctico para comprender la coherencia del comportamiento alimentario en el control de peso.

Principales métodos:

• Se desarrolló un modelo de regresión de ubicación-escala que incorpora clases latentes tanto en los componentes de ubicación como de escala.
• Se empleó un enfoque bayesiano completo utilizando Stan para la estimación de parámetros.
• El modelo se validó mediante estudios de simulación para evaluar la precisión, el sesgo y la exactitud de la clasificación.

Principales resultados:

• El modelo de clases latentes proporciona resultados más precisos e informativos, particularmente para el componente de escala, en datos con patrones ocultos.
• Los estudios de simulación demuestran estimaciones de parámetros imparciales y altas tasas de clasificación correcta, incluso sin heterogeneidad inherente.
• El modelo agrupa eficazmente a los sujetos en función de las trayectorias de la variabilidad media y dentro del sujeto.

Conclusiones:

• El modelo propuesto de regresión latente de ubicación-escala es una herramienta práctica y eficaz para analizar datos longitudinales de comportamiento complejos.
• Permite a los investigadores identificar subgrupos significativos basados en patrones matizados en las tendencias y la variabilidad de los datos.
• La aplicación a datos de ingesta de calorías destaca su utilidad para comprender la coherencia de la dieta para intervenciones personalizadas de control de peso.