Enfoque bayesiano para obtener las tasas de transición en un modelo de estados múltiples. Aplicación a datos sobre artritis reumatoide.

• Juan Carlos Salazar U. ^[2] ; René Iral P. ^[2] ; Juan Carlos Correa M. ^[2] ; Adriana Rojas V. ^[1] ; Juan M. Anaya ^[1]
  1. [1] Universidad del Rosario

     Universidad del Rosario

     Colombia

     
  2. [2] Universidad Nacional de Medellín
• Localización: Comunicaciones en Estadística, ISSN 2027-3355, ISSN-e 2339-3076, Vol. 7, Nº. 2, 2014, págs. 87-107
• Idioma: español
• DOI: 10.15332/s2027-3355.2014.0002.06
• Títulos paralelos:
  • Bayesian approach for obtaining the transition rates in a multi-state model. Application to Reumathoid Arthritis data.
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Los modelos de estados múltiples han demostrado ser de utilidad para el análisis de datos longitudinales, particularmente aquellos que involucran información acerca de la progresión de una enfermedad a través del tiempo. Por otra parte, los métodos bayesianos son útiles en situaciones de alta complejidad cuando se usan técnicas como Monte Carlo Markov Chain. En este trabajo se implementa un método bayesiano basado en el muestreador de Gibbs con el fin de obtener las tasas de transición que gobiernan un modelo de tres estados con estructura markoviana de primer orden. Estas tasas de transición se vinculan con las covariables por medio de un modelo del tipo Andersen-Gill. De esta manera, la estimación óptima de los efectos de las covariables permitirá obtener mejores estimaciones de las tasas de transición. Esta técnica bayesiana se compara vía simulación con la técnica de estimación estudiada por Iral & Salazar (2007) y con un método basado en la discretización del soporte de la distribución posterior. Finalmente, estas técnicas de estimación se ilustran usando datos reales sobre pacientes colombianos con artritis reumatoide.

  • English

    Multi-state models have shown to be useful to analize longitudinal data, especially those involving information about the progression of a disease through time. On the other hand, bayesian methods are useful in highly complex situations where Monte Carlo Marco Chain based techniques are used. In this work, a bayesian method for obtaining the transition rates that govern a three state model with first orden markovian structure is implemented. These transition rates are linked to the covariates by means of a Andersen-Gill type model. In this way, the optimal estimation of the covariates effects will improve the estimated values of the transition rates. This bayesian technique based on the Gibbs sampler is compared, using a simulation study, both with a technique proposed by Iral and Salazar and a method based on the discretization of the domain of the posterior distribution. Finallly, these techniques are ilustrated using real data about Rheumatoid Arthritis collected in Colombian patients.

• Referencias bibliográficas
  • Aitkin, M. & Alf ́o, M. (1998), ‘Regression models for binary longitudinal respon- ses’, Statistics and Computing 8, 289–307.
  • Anaya, J. M., Pineda-Tamayo, R., Gómez, L. M., Galarza-Maldonado, C., Rojas- Villarraga, A. & Martin, J. (2006),
  • Artritis Reumatoide: Bases Moleculares, Clínicas y Terapéuticas, 1 edn, FUNPAR, Medellín.
  • Andersen, P. K., Borgan, o., Gill, R. D. & Keiding, N. (1993), Statistical Models Based on Counting Processes, 1 edn, Springer-Verlag,...
  • Bartholomew, D. J. (1983), ‘Some recent developments in social statistics’, Inter- national Statistical Review 51, 1–9.
  • Bhat, U. N. (1994), Elements of applied stochastic processes, 2 edn, Wiley, New York.
  • Casella, G. & George, E. I. (1992), ‘Explaining the Gibbs sampler.’, The American Statistician 46, 167–174.
  • Chung., K. L. (1983), Teoría elemental de la probabilidad y de los procesos es- toc ́asticos, Revert ́e, Barcelona.
  • Commenges, D. (1999), ‘Multi-State Models in Epidemiology’, Lifetime Data Analysis 5, 315–327.
  • Delgado-Vega, A. M., Martín, J., Granados, J. & Anaya, J. M. (2006), ‘Epidemiología genética de la artritis reumatoide: ’¿qué esperar...
  • Frydman, H. (1992), ‘A Nonparametric estimation procedure for a periodically observed three state Markov process, with application to AIDS’,...
  • Frydman, H. (1995), ‘Semiparametric estimation in a three-state duration depen- dent Markov model from interval-censored observations with...
  • Gao, S. (2004), ‘A shared random effect parameter approach for longitudinal de- mentia data with non-ignorable missing data’, Biometrics 23,...
  • Gordon, P. (2001), Bayesian statistical modelling, 1 edn, John Wiley & Sons, Chichester.
  • Hans, C. & Dunson, D. B. (2005), ‘Bayesian inference on umbrella orderings’, Biometrics 61, 1018–1026.
  • Harezlak, J., Gao, S. & Hui, S. L. (2003), ‘An illness-death scholastic model in the analysis of longitudinal dementia data’, Statistics...
  • Iral, R. & Salazar, J. C. (2006), Efecto de las covariables en la estimación de intervalos de confianza para las tasas de transición en...
  • Iral, R. & Salazar, J. C. (2007), Estimación de funciones de intensidad en un modelo de Markov de tres estados bajo el efecto de covariables...
  • Joly, P. & Commenges, D. (1999), ‘A penalized likelihood approach for a pro- gressive three-state model with censored and truncated data:...
  • Kao, E. P. (1997), An introduction to stochastic processes, Duxbury Press, Bel- mont.
  • Kay, R. (1986), ‘A Markov Model for Analyzing Cancer Markers and Disease States in Survival Studies’, Biometrics 42(4), 855–865.
  • Lindsey, J. C. & Ryan, L. M. (1993), ‘A three-state multiplicative model for rodent tumorigenicity experiments’, Applied Statistics 42,...
  • Marshall, G., Guo, W. & Jones, R. H. (1995), ‘Markov: a computer program for multi-state Markov models with covariables’, Computer Methods...
  • Ritter, C. & Tanner, M. A. (1992), ‘The Gibbs stoper and the griddy Gibbs sampler’, Journal of the American Statistical Association 87,...
  • Rojas-Villarraga, A., Diaz, F., Calvo, E., Salazar, J. C., Iglesias-Gamarra, A., Man- tilla, R. D. & Anaya, J. M. (2009), ‘Familial disease,...
  • Salazar, J. C., Iral, R., Calvo, E., Rojas, A., Hincapié, M. E., Anaya, J. M. & D ́ıaz, F. J. (2007), ‘Modelo de Markov de tres estados:...
  • Salazar, J. C., Schmitt, F. A., Yu, L., Mendiondo, M. & Kryscio, R. J. (2007), ‘Shared random effects analysis of multistate Markov models:...
  • Selke, W. (1984), ‘Monte Carlo studies of interfacial adsorption in multistate models’, Surface Science 144(1), 176–181.
  • Singer, B. & Spilerman, S. (1976), ‘The representation of social processes by Markov models’, American Journal of Sociology 82, 1–54.
  • Stephen, D. U., Kenneth, I. J., Robert, F. L., Peter, P. L., Scott, E. S. & Mychailo, B. T. (2010), Physics-Based Stress Corrosion Cracking...
  • Tanner, M. A. (1996), Tools for statistical inference: Methods for the exploration of posterior distributions and likelihood functions, 3...
  • Ten Have, T. R., Miller, M. E., Reboussin, B. A. & James, M. K. (2000), ‘Mixed effects logistic regression models for longitudinal ordinal...
  • Tyas, S. L., Salazar, J. C., Snowdon, D. A., Desrosiers, M. F., Riley, K. P., Mendiondo, M. S. & Kryscio., R. J. (2007), ‘Transitions...
  • Van-der Heidje, D., Dankert, T. & Nieman, F. (1999), ‘ Reliability and Sensitivity to Change of a Simplification of the Shap van der Heidje...
  • Vauquelin, G. & Van-Liefde, I. (2005), ‘G protein-coupled receptors: a count of 1001 conformations’, Fundamental & clinical pharmacology...
  • Wasserman, S. (1980), ‘Analyzing social networks as stochastic processes’, Journal of the American Statistical Association 75, 280–294.