Multivariate joint model for longitudinal data: a simulation study

Detalhes bibliográficos
Autor(a) principal: Fortes, Maria Inês Abreu
Data de Publicação: 2022
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: https://hdl.handle.net/1822/84354
Resumo: Dissertação de mestrado em Estatística
id RCAP_fbd0df50ee37a6164aba0f4173eee913
oai_identifier_str oai:repositorium.sdum.uminho.pt:1822/84354
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Multivariate joint model for longitudinal data: a simulation studyModelo conjunto multivariado para dados longitudinais: um estudo de simulaçãolmeLongitudinalModelos conjuntosRTime-to-eventJoint modelsCiências Naturais::MatemáticasDissertação de mestrado em EstatísticaOs modelos conjuntos de dados longitudinais e de tempo até ao evento são comuns na análise de dados quando existe uma associação entre (1) uma variável observada longitudinalmente e (2) uma variável que mede o tempo até à ocorrência de um evento específico. Dada a utilidade destes modelos, há actualmente pelo menos duas implementações de bibliotecas disponíveis em R: joineR e JM. No entanto, estes modelos são complexos porque incluem frequentemente efeitos aleatórios partilhados entre os sub-modelos longitudinal e tempo até ao evento. Como consequência, a implementação destes modelos conjuntos é computacionalmente exigente. Neste estudo exploramos o Modelo Gaussiano Transformado, um modelo totalmente paramétrico, onde se assume que a distribuição conjunta dos dados longitudinais e dos dados transformados de tempo até ao evento segue uma distribuição normal multivariada. Para tornar o modelo fácil de implementar e com parâmetros intuitivos de compreender, apresentamos uma metodologia em que os modelos conjuntos multivariados mistos são ajustados utilizando a biblioteca lme do R. Para isso, propomos oito estruturas para o Modelo Gaussiano Transformado, e num estudo de simulação testamos quatro desses modelos. Verificámos que, em geral, estes modelos forneceram boas estimativas dos parâmetros, especialmente quando a variabilidade entre sujeitos é elevada e os erros de medição são pequenos. Verificámos também que o Modelo Gaussiano Transformado pode assumir estruturas complexas apesar de ser computacionalmente menos exigente do que as alternativas. Acreditamos que pode ser utilizado para análise exploratória, por exemplo para seleccionar as variáveis explicativas mais influentes. No final, discutimos as diferentes vantagens e desvantagens de cada um dos cinco modelos testados.Joint models for longitudinal and time-to-event data are common in data analysis when there is an association between (1) a longitudinally observed variable and (2) a variable measuring the time until the occurrence of a specific event. Given the usefulness of these models, there are currently at least two available package implementations in R: joineR and JM. However, these models are complex because they often include shared-random effects between the longitudinal and time-to-event sub-models. As a con sequence, implementation of these joint models is computationally demanding. In this study we explore the Transformed Gaussian Model, a fully parametric model, where the joint distribution of longitudinal and transformed time-to-event data are assumed to follow a multivariate normal distribution. To make the model easy to implement and with meaningful parameters, we present a methodology where multivariate mixed joint models are fitted using the R package lme. For that, we propose eight structures for the Transformed Gaussian Model, and in a simulation study we test four of those models. We found that, in general, these models provided good estimates of the parameters, specially when the between-subject variability is high and the measurement errors are small. Also, we found that the Transformed Gaussian Model can assume complex structures despite the fact of being computationally less demanding than the alternatives. We believe it can be used for exploratory analysis, for instance to select the more influencing explanatory variables. At the end, we discuss the different advantages and disadvantages of each of the five tested models.Sousa, InêsUniversidade do MinhoFortes, Maria Inês Abreu2022-07-182022-07-18T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://hdl.handle.net/1822/84354eng203232380info:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-07-21T12:37:11Zoai:repositorium.sdum.uminho.pt:1822/84354Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T19:33:26.814042Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Multivariate joint model for longitudinal data: a simulation study
Modelo conjunto multivariado para dados longitudinais: um estudo de simulação
title Multivariate joint model for longitudinal data: a simulation study
spellingShingle Multivariate joint model for longitudinal data: a simulation study
Fortes, Maria Inês Abreu
lme
Longitudinal
Modelos conjuntos
R
Time-to-event
Joint models
Ciências Naturais::Matemáticas
title_short Multivariate joint model for longitudinal data: a simulation study
title_full Multivariate joint model for longitudinal data: a simulation study
title_fullStr Multivariate joint model for longitudinal data: a simulation study
title_full_unstemmed Multivariate joint model for longitudinal data: a simulation study
title_sort Multivariate joint model for longitudinal data: a simulation study
author Fortes, Maria Inês Abreu
author_facet Fortes, Maria Inês Abreu
author_role author
dc.contributor.none.fl_str_mv Sousa, Inês
Universidade do Minho
dc.contributor.author.fl_str_mv Fortes, Maria Inês Abreu
dc.subject.por.fl_str_mv lme
Longitudinal
Modelos conjuntos
R
Time-to-event
Joint models
Ciências Naturais::Matemáticas
topic lme
Longitudinal
Modelos conjuntos
R
Time-to-event
Joint models
Ciências Naturais::Matemáticas
description Dissertação de mestrado em Estatística
publishDate 2022
dc.date.none.fl_str_mv 2022-07-18
2022-07-18T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/1822/84354
url https://hdl.handle.net/1822/84354
dc.language.iso.fl_str_mv eng
language eng
dc.relation.none.fl_str_mv 203232380
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799132852787347456

Registros relacionados