Estimación de datos faltantes en medidas repetidas con respuesta binaria

Se propone una metodología para la estimación de datos faltantes en condiciones longitudinales con respuesta binaria, desde una perspectiva univariada, basada en máxima verosimilitud. Suponiendo que las respuestas son faltantes de forma aleatoria (FFA), en cada una de las ocasiones se emplea el algo...

Full description

Autores:
Ayala, Yolima
Melo, Óscar Orlando
Tipo de recurso:
Article of journal
Fecha de publicación:
2007
Institución:
Universidad Nacional de Colombia
Repositorio:
Universidad Nacional de Colombia
Idioma:
spa
OAI Identifier:
oai:repositorio.unal.edu.co:unal/40601
Acceso en línea:
https://repositorio.unal.edu.co/handle/unal/40601
http://bdigital.unal.edu.co/30698/
Palabra clave:
datos longitudinales
regresión logística
máxima verosimilitud
algoritmo EM
Longitudinal data
Logistic regression
Maximum likelihood
EM algorithm
Rights
openAccess
License
Atribución-NoComercial 4.0 Internacional
Description
Summary:Se propone una metodología para la estimación de datos faltantes en condiciones longitudinales con respuesta binaria, desde una perspectiva univariada, basada en máxima verosimilitud. Suponiendo que las respuestas son faltantes de forma aleatoria (FFA), en cada una de las ocasiones se emplea el algoritmo EM de dos formas distintas: en la primera, el paso E se expresa como una log-verosimilitud ponderada de la respuesta, condicionada a las anteriores ocasiones tomadas como covariables adicionales, con base en el método de Ibrahim (1990) para covariables categóricas faltantes, obteniendo de esta forma estimadores máximo verosímiles. En la segunda, en el paso E se realiza la estimación e imputación de datos faltantes basada en el método Ancova de Bartlett (1937). La metodología propuesta es aplicada en un caso de estudio relacionado con factores de riesgo coronario, presentado en Fitzmaurice et al. (1994).