| spelling |
Enrico Antonio ColosimoSuely Ruiz GioloAntonio Luiz Pinho RibeiroJose Luiz Padilha da Silva2019-08-13T06:27:50Z2019-08-13T06:27:50Z2011-02-22http://hdl.handle.net/1843/BUOS-8GHJRPEm estudos longitudinais, dados ausentes constituem um grande desafio para analise. A presente dissertação mostra como dados ausentes podem apresentar grande impacto na estimação de quantidades de interesse quando se opta pelo modelo GEE como método de analise. Esse método flexível por não requerer a especificação da distribuição da variável resposta do indivíduo apresenta estimativas válidas dos coeficientes de regressão apenas na situação MCAR, isto é, quando a perda ocorre completamente ao acaso. Como essa suposição é raramente encontrada na pratica, exploramos outro mecanismo de perda de dados. A fim de corrigir o vício nas estimativas dos coeficientes de regressão, focamos na imputação múltipla, técnica proposta por Little & Rubin (1987) e que tem recebido grande destaque na literatura. Consiste em predizer os valores ausentes de forma a obter conjuntos de dados completos que podem ser analisados por meio de métodos padrão de análise.Abordamos cinco métodos de imputação de dados: três dos quais consideram um modelo de regressão e dois utilizam alguma forma de pareamento. Além dos resultados de simulação, em que comparamos os desempenhos desses diferentes métodos de imputação, entre eles um proposto, apresentamos também uma aplicação com dados reais. Os resultados indicam que a imputação de dados é uma ferramenta adequada para remover o vício das estimativas no modelo GEE, sendo o maior ganho obtido com métodosbaseados em regressão.Missing data is a major challenge for longitudinal data analysis.This dissertation shows how missing data may have a great impact on the estimation of quantities of interest when one chooses to use the GEE model. This approach - flexible in the sense that the joint distribution of a subjects response vector does not need to be specified - yield valid estimates of the regression coefficients only with data missingcompletely at random (MCAR). Because this assumption is rarely true in practice, we explored another missing data mechanism. In order to correct the bias in regression coefficient estimates, we focus on multiple imputation, a technique proposed by Little & Rubin (1987) that has received great attention in the literature. It consists of predicting missing values in order to obtain complete data sets that can be analyzed using standard methods. We discuss five methods for imputing missing data, three of which consider a regression model and two use some form of matching. Besides the simulation results, in which we compared the performance of these imputation methods, among them one proposed, we present an application with real data. The results show that multiple imputation is an appropriate tool to remove the bias of the estimates in the GEE model, the largest gain obtained with regression-based models.Universidade Federal de Minas GeraisUFMGAnálise de regressãoEstatísticaAusencia de dados (Estatística)Método longitudinaldados ausentespareamentoGEEEstudos longitudinaisimputação múltiplaregressãoMétodos de imputação múltipla para GEE em estudos longitudinaisinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGORIGINALdissertacao_jos_.pdfapplication/pdf249762https://repositorio.ufmg.br/bitstream/1843/BUOS-8GHJRP/1/dissertacao_jos_.pdf016a9a070094833bc145cc840c518b5cMD51TEXTdissertacao_jos_.pdf.txtdissertacao_jos_.pdf.txtExtracted texttext/plain121252https://repositorio.ufmg.br/bitstream/1843/BUOS-8GHJRP/2/dissertacao_jos_.pdf.txtcf1adc014b4f8ef47673c965d03e70dfMD521843/BUOS-8GHJRP2019-11-14 21:43:36.152oai:repositorio.ufmg.br:1843/BUOS-8GHJRPRepositório InstitucionalPUBhttps://repositorio.ufmg.br/oaiopendoar:2019-11-15T00:43:36Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false
|