análisis de datos correlacionados gloria icaza alejandro jara universidad de talca universidad de...
Post on 23-Jan-2016
214 Views
Preview:
TRANSCRIPT
Análisis de datos correlacionados
Gloria Icaza Alejandro Jara Universidad de Talca Universidad de Concepción
Chile
Octavo Congreso Latinoamericano de Sociedades de Estadística - CLATSEMontevideo Uruguay, Octubre 2008
Insertar logo UdeC
Definición
• Definimos datos correlacionados cuando las observaciones se agrupan naturalmente en grupos o conglomerados (clusters).
• Por ejemplo:
– Estudios longitudinales (múltiple observaciones en el tiempo en el mismo sujeto).
– Estudios de familia (genética).– Estudios multicéntricos (pacientes de un mismo centro)– Estudios de caries (múltiples observaciones en un mismo
sujeto).– Análisis espacial (autocorrelación espacial)
Programa
• Modelos lineales mixtos
• Modelos lineales generalizados mixtos
• Modelos no lineales mixtos
• Modelos bayesianos semiparamétricos
Algo de Historia
• Fisher. 1918,1925 ANOVA, correlación intraclase.
• Henderson. Estimation of variance and covariance components. Biometrics 1953.
• Harville. 1974, 1976, 1977
• Laird & Ware. Random effects models for longitudinal data. Biometrics 1982.
• ……
Modelos lineales y SAS
Respuesta Efectos Fijos Efectos mixtos
NormalModelo lineal
general
Proc GLM
Modelo lineal mixto
Proc MIXED
Familia exponencial*
Modelo lineal generalizado
Proc GENMOD
Modelo lineal mixto generalizado
Proc GLIMMIX
*Normal, Poisson, Binomial, Gama, Normal inversa
Modelos de Efectos Mixtos: Ejemplo 1
• Investigadores de la Escuela de Odontología de la Universidad de Carolina del Norte, analizaron el crecimiento de 27 niños (16 hombres, 11 mujeres) desde los 8 hasta los 14 años. Biometrika, 1964.
• Con rayos X midieron, cada dos años, la distancia entre la pituitaria y la fisura pterigomaxilar.
Datos
Modelos de Efectos Mixtos: Perfiles individuales
Edad en años
Dis
tan
cia
de
la p
ituita
ria
a la
fisu
ra p
teri
go
ma
xila
r
20
25
30
8 10 13
M16 M05
8 10 13
M02 M11
8 10 13
M07 M08
8 10 13
M03 M12
8 10 13
M13
M14 M09 M15 M06 M04 M01 M10 F10
20
25
30
F09
20
25
30
F06
8 10 13
F01 F05
8 10 13
F07 F02
8 10 13
F08 F03
8 10 13
F04 F11
Modelos de Efectos Mixtos: Gráfico de tallarines (spaghetti plots)
Modelos de Efectos Mixtos: Ejemplo 1
Preguntas:
• ¿Cómo afecta la edad en el crecimiento?
• ¿Hay diferencias por sexo?
• ¿Es el crecimiento diferentes entre los dos sexos (hay interacción)?
¿Solución?
• Software
• Library nlme: Linear and Nonlinear Mixed Effects Models
• Author:Jose Pinheiro, Douglas Bates, Saikat DebRoy, Deepayan Sarkar, the R Core team
lm #linear models
Modelos de efectos mixtos: Ejemplo 1
• Modelo de regresión lineal simple
i=1,. . . ,N j=1,. . . ,ni ²i ji id» N (0;¾2)
Problema: no tomamos en cuenta la correlación dentro de los sujetos y la variabilidad entre los sujetos
Distanciai j = ¯0+¯1Edadi j +²i j
Datos correlacionados
¿Porqué hacer un diseño de datos correlacionados?
• Aumentar la precisión haciendo comparaciones dentro del grupo.
• Reducir la posibilidad de confusión haciendo comparaciones dentro del grupo.
• Examinar comportamiento de sujetos en el tiempo.
• No hay otra alternativa.
Modelos de efectos mixtos: Ejemplo 1
• Modelos de regresión lineal individuales
i=1,. . . ,N j=1,. . . ,ni
Distanciai j = ¯0i +¯1iEdadi j +²i j
²i ji id» N (0;¾2)
Modelos de efectos mixtos: Ejemplo 1
• Modelo lineal mixto
Distanciai j = (¯0+b0i ) +(¯1+b1i )Edadi j +²i j= ¯0+¯1Edadi j +b0i +b1iEdadi j +²i j
lme #linear mixed models
Modelos de efectos mixtos: Ejemplo 1
• Descripción del modelo
8 9 10 11 12 13 14
15
20
25
30
Age (yr)
Dis
tan
ce (
mm
)
¯0+¯1Agei j+b0i +b1iAgei j
¯0+¯1Edadi j
Modelos de efectos mixtos
• Modelo lineal general de efectos mixtos
yi =X i¯ +Z ibi +² i
bii id» N (0;§ )
E(yi j bi ) = X i¯ +Z ibi
Modelos de efectos mixtos
• Modelo lineal general de efectos mixtos
yi j bi»N (X i¯ +Z ibi ;¾2I );bii id» N (0;§ )
Modelos de efectos mixtos: software
• Máxima Verosimilitud:• R• STATA• SAS
• Análisis Bayesiano: • BUGS• R
Modelo con pendiente aleatoria
Resumen de ajuste para efecto de interacción Sexo*Edad
ModelosCoeficiente
estimado efectoInteracción
Error Estándar Valor p
Modelo lineal -0,3048 0,1977 0,1261
Modelo lineal mixto: intercepto aleatorio
-0,3048 0,1214 0,0141
Modelo lineal mixto: intercepto y pendiente aleatorios
-0,3048 0,1347 0,0264
Comparación de modelos
Akaike Information Criterion: -2 log L + 2 npar
Bayesian Information Criterion: -2 log L + npar*log(nobs)
Modelo AIC BIC
Modelo lineal 488,24 501, 65
Modelo lineal mixto: intercepto aleatorio
445,76 461,62
Modelo lineal mixto: pendiente aleatoria 448,58 469,74
MV o MVR (ML or REML)
• MV maximiza la verosimilitud, son sesgados
• MVR maximiza la verosimilitud marginal, insesgados en diseños balanceados (idénticos a los estimadores de momentos en ANOVA simple)
• Ambos métodos son asintóticamente equivalentes
Final
• La variable respuesta Y se asume como una función de covariables X con coeficientes que regresión que pueden variar por sujeto.
• La heterogeneidad entre los sujetos es de interés y se puede modelar explícitamente.
Final II
• Estos métodos podrían ser analizados asumiendo respuesta multivariada
• En la práctica se tienen datos no balanceados:– Número desigual de observaciones por sujeto– Mediciones no tomadas en un tiempo fijo
• Por lo que los Modelos de efectos mixtos son más flexibles
top related