PGMAT PROGRAMA DE PÓS-GRADUAÇÃO EM MATEMÁTICA (PGMAT) INSTITUTO DE MATEMÁTICA E ESTATÍSTICA Telefone/Ramal: Não informado

Banca de DEFESA: SANDRO LINS LOPES DE LUCENA

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : SANDRO LINS LOPES DE LUCENA
DATA : 30/01/2022
HORA: 09:00
LOCAL: Instituto de Matemática e Estatística, UFBA
TÍTULO:

Modelo conjunto de análise de sobrevivência e dados longitudinais para dados binários: Inferência, resíduos e
aplicações.


PALAVRAS-CHAVES:

Análise de Sobrevivência, dados longitudinais, modelo conjunto, análise de resíduos.



PÁGINAS: 81
RESUMO:
A Análise de Sobrevivência é amplamente utilizada em diversas áreas do conhecimento, por exemplo, em saúde, em economia, em engenharia, etc. Modelos paramétricos, semipa-pamétricos e não paramétricos foram desenvolvidos para estudar a variável tempo até a ocorrência de um evento de interesse, por exemplo, a morte de um indivíduo, a falha de um componente eletrônico, etc. Quando existe proporcionalidade dos riscos, entre dois grupos por exemplo, pesquisadores tem utilizado o modelo de riscos proporcionais de Cox (Cox, 1972). É comum a presença de variáveis observadas ao longo do tempo, esse tipo de variáveis são conhecidas, comumente, como variáveis longitudinal. Na prática, é comum encontrar situações em que o interesse é estudar o tempo até a ocorrência do evento de interesse na presença de variáveis observadas ao longo do tempo, por exemplo, estudos com pacientes com síndrome da imunodeficiência adquirida (AIDS), onde se objetiva estudar o tempo até a morte do paciente na presen ̧ca da variável contagem de linfocitos CD4, que é observada longitudinalmente. Os modelos conjunto para dados de sobrevivência e dados longitudinais sâo adequados para obter informações sobre situações práticas que envolvem dados de sobrevivência e dados longitudinais. Este trabalho de dissertação, estuda situações práticas em que a variável longitudinal é binária, por exemplo, se o tempo de vida dos pacientes é afetado pela satisfação ou a não satisfação do paciente com sua vida. Encontramos estimativas de máxima verossimilhança via dois estágios e via algoritmo Expectation-Maximization(EM). A abordagem via dois estágios computacionalmente é menos custosa. No primeiro estágio, utilizamos os modelos lineares generalizados mistos (GLGM) para dados binários; encontramos a estimativa média populacional. No segundo estágio, a estimativa média obtida no primeiro estágio, é considerada como uma variável explicativa no modelo de riscos proporcionais de Cox. Via simulação de Monte Carlo, avaliamos o comportamento assintótico dos estimadores de máxima verossimilhança obtidos via método dois estágios e estudamos a distribuição empírica dos resíduos Martingale, quantílicos, deviance, NRSP e NMSP. Métodos de
reamostragem tipo Jackknife, Bootstrap e extensões, foram utilizadas com o intuito de encontrar o víes dos estimadores de máxima verossimilhança obtidos em dois estágios. Finalmente, um conjunto de dados é utilizado para validar a metodologia desenvolvida. 

MEMBROS DA BANCA:
Presidente - 2979623 - JALMAR MANUEL FARFAN CARRASCO
Externa ao Programa - 2006223 - LIZANDRA CASTILHO FABIO - UFBAExterno à Instituição - KLÉBER NAPOLEÂO NUNES DE OLIVEIRA BARROS - UFRPE
Notícia cadastrada em: 18/01/2023 15:27
SIGAA | STI/SUPAC - - | Copyright © 2006-2024 - UFBA