Modelos assimétricos com efeitos aleatórios para dados pré-teste/pós-teste.

AUTOR(ES)
DATA DE PUBLICAÇÃO

2007

RESUMO

Os modelos para dados pré e pós-testes são de grande utilidade nas mais diversas áreas da ciência. Eles são caracterizados como estudos longitudinais cujas observações são tomadas antes e após a aplicação de tratamentos ou covariáveis para estudo de seu efeito no tempo, assim, os dados são, usualmente, correlacionados, de modo que esta dependência pode ser modelada pela introdução de efeitos aleatórios, caracterizando um modelo misto. Em especial, propusemos o estudo do modelo multiplicativo de Sef &Singer (SINGER; ANDRADE, 1997; SEF, 1999) para a análise de um conjunto de dados contendo índices de placa bacteriana em crianças submetidas ao efeito de algumas covariáveis. O modelo de Sef &Singer contém diversas restrições que podem contaminar o erro, tornando-o assimétrico. É neste cenário que introduzimos a distribuição normal assimétrica sob a representação de Sahu &Dey (SAHU et al., 2003), de modo a modelar o efeito aleatório como uma distribuição seminormal e o erro normal, tal que a assimetria é controlada por um parâmetro modulador que indica quão assimétrico será o erro final. A estimação dos parâmetros foi feita com implementação do algoritmo E-M na in- ferência clássica. A inovação está na análise bayesiana, cujo modelo, sob uma repara- metrização adequada, define uma distribuição à priori conjunta. A marginal desta dis- tribuição à priori conjunta leva à distribuição T-Gama, para o parâmetro modulador de assimetria da representação de Sahu &Dey, generalizando a priori t-Student de Rodríguez (2005).

ASSUNTO(S)

estatistica covariance analysis modelos lineares (estatística) técnicas de inferência multivariate skew normal pretest/posttest models bayesian inference kummer s distribution e-m algorithm inferência bayesiana multiplicative models multiple linear regression distribuição (probabilidades) random effects models

ACESSO AO ARTIGO

Documentos Relacionados