Bayesian hierarchical modelling for repeated measures and longitudinal data

• Autores: Gabriel Calvo Bayarri
• Directores de la Tesis: Carmen Armero Cervera (dir. tes.) , Luigi Spezia (codir. tes.)
• Lectura: En la Universitat de València ( España ) en 2024
• Idioma: inglés
• Número de páginas: 153
• Tribunal Calificador de la Tesis: Vicente Alfredo Núñez Antón (presid.) , Dae-Jin Lee Hwang (secret.) , Roberta Paroli (voc.)
• Enlaces
  • Tesis en acceso abierto en: webges.uv.es (pdf)
• Resumen

  • Esta memoria profundiza en el desarrollo metodológico de modelos para datos de medidas repetidas y datos longitudinales en el marco de la modelización jerárquica bayesiana. Los modelos estudiados contienen básicamente cuatro elementos: la variable respuesta, un posible proceso oculto o latente, un conjunto de parámetro e hyperparámetros y un conjunto de los efectos aleatorios y términos de correlación en serie. La complejidad inherente a los datos de medidas repetidas y longitudinales reside en que suelen ser multivariantes y nos brindan información no solo de la población en general, sino también de cada individuo en particular. Además, este tipo de datos aparece con frecuencia en diversos campos del conocimiento, como la medicina, la salud pública, la educación, la economía, la psicología, la biología, la pesca y el deporte, entre otros. Por lo que pueden desempeñar un papel crucial en diferentes ramas del saber.

    En nuestra investigación, abarcamos una amplia variedad de datos que provienen de diferentes campos, cada uno explorado en un capítulo distinto. El Capítulo 2 está dedicado a una investigación médica que involucra a 198 pacientes. Este capítulo investiga la intrincada conexión entre la presión intra-abdominal durante la cirugía laparoscópica y el volumen intra-abdominal resultante. Mientras tanto, el Capítulo 3 cambia su enfoque hacia un análisis pesquero, específicamente en la industria pesquera de la sardina Europea en el Mar Mediterráneo, desglosando los datos por país. Además, nuestra exploración se adentra en el ámbito del análisis deportivo en los Capítulos 5 y 6. Estos capítulos profundizan en el ámbito del baloncesto profesional y el baloncesto en silla de ruedas, respectivamente. El ámbito deportivo ofrece una fuente abundante de datos longitudinales, repleto de potencial inexplorado para un análisis longitudinal preciso.

    La investigación viene principalmente motivada por los numerosos desafíos del mundo real que generan los estudios con datos longitudinales y medidas repetidas. Este trabajo produce tanto propuestas e ideas aplicadas como avances metodológicos. En el frente práctico, destacamos tres puntos clave. El Capítulo 2 arroja luz sobre el papel crítico del género y la edad en el espacio intra-abdominal óptimo de los pacientes sometidos a una laparoscopia. En el Capítulo 3, se muestra un preocupante declive en las toneladas de Sardina Europea capturadas en la pesca artesanal e industrial en el Mediterráneo durante las últimas tres décadas. Además, se revela una relación lineal positiva entre estos dos tipos de pesca en cada país. Por último, en el Capítulo 5 se descubre algo parecido a un fenómeno de "cold hand" durante la temporada 2005-2006 del equipo de baloncesto Miami Heat de la NBA.

    Sin embargo, más allá de estos descubrimientos prácticos, esta investigación contiene contribuciones metodológicas estadísticas básicamente en cuatro aspectos. En el Capítulo 3, se desarrolla un novedoso modelo longitudinal conjunto que establece una relación lineal entre los efectos aleatorios asociados con el mismo individuo en diferentes variables respuesta. El Capítulo 4 introduce una metodología para comparar modelos longitudinales con efectos aleatorios y términos de correlación en serie, calculando su verosimilitud marginal a través del método "power posterior". El Capítulo 5 muestra la capacidad de los modelos longitudinales bayesianos con estructura de cadenas de Markov ocultas para describir el fenómeno de {"hot hand" en el rendimiento del baloncesto a través de una cadena de Markov latente con dos estados, "cold" y "hot". Por último, el Capítulo 6 integra de manera innovadora técnicas de modelado longitudinal bayesianas y optimización lineal entera. Estas dos técnicas se utilizan para analizar los datos de rendimiento temporal de los jugadores e identificar configuraciones de alineación óptimas para maximizar el rendimiento general, respectivamente. De esta manera obtenemos una distribución de probabilidad para la solución de un problema de optimización lineal entera.