Examinando por Autor "Castellana, Noelia"
Mostrando 1 - 4 de 4
Resultados por página
Opciones de ordenación
Ítem Acceso Abierto Diagnósticos de influencia para los modelos lineales mixtos(2014-11) García, María del Carmen Eva; Rapelli Picabea, Cecilia Mónica; Castellana, Noelia; Koegel, Liliana Hilda; Secretaría de Ciencia y Tecnología. Facultad de Ciencias Económicas y Estadística. Universidad Nacional de RosarioEn este trabajo se presentan varios enfoques para detectar unidades que tienen una magnitud distinta al resto y el efecto que producen sobre los estimadores de los parámetros del modelo. La idea general de los métodos de influencia global y local es introducir cambios en las componentes del modelo y evaluar si se producen cambios importantes en los resultados. El procedimiento comienza detectando los casos atípicos mediante la distancia de verosimilitud. Posteriormente, se descomponen los hallazgos iniciales para determinar si realmente esos casos afectan el proceso de estimación. Si esta medida general sugiere que existen unidades influyentes se tienen que determinar, a posteriori, los elementos del modelo que son influenciados. Los gráficos TRSS, que fueron propuestos recientemente, no eliminan las unidades ni alteran el modelo para identificar las unidades discordantes. El método proporciona una mayor información sobre las mediciones repetidas mediante la utilización de residuos modificados y evalúa eficazmente el efecto de unidades y observaciones discordantes en la estimación de parámetros que incluyen componentes de la variancia. Considerar unidades como influyentes no implica eliminarlas del conjunto o cambiar el modelo, pues, si los puntos afectan los efectos fijos sin ejercer demasiada influencia sobre la precisión de los parámetros de covariancia, su presencia no alterará ni las pruebas de hipótesis ni los intervalos de confianza para los parámetros de efectos fijos. Los diagnósticos de los efectos fijos utilizan una matriz de covariancias especificada para los datos, así su influencia sobre las componentes de variancia se deberían examinar primero. En la aplicación se muestra que: • Influencia global y local: los diagnósticos ayudan a detectar pacientes atípicos mediante la inspección de la distancia de verosimilitud. Sin embargo, algunas unidades que se presentaron con valores altos de la distancia de verosimilitud restringida resultan tener mayor efecto sobre los efectos fijos y otras casi sin impacto sobre los efectos fijos se muestran principalmente influyentes sobre los estimadores puntuales de covariancia. • Gráficos TRSS: detectan en general las mismas unidades que los métodos anteriores. Sin embargo, ayudan a identificar unidades con trayectorias o posiblemente con estructuras de correlación diferentes al restoÍtem Acceso Abierto Estudio comparativo de métodos de estimación en un modelo no lineal mixto(2013-11) García, María del Carmen Eva; Chiapella, Luciana; Rapelli Picabea, Cecilia Mónica; Castellana, Noelia; Secretaría de Ciencia y Tecnología. Facultad de Ciencias Económicas y Estadística. Universidad Nacional de Rosarion.d.Ítem Acceso Abierto Evaluación del comportamiento de los estimadores de los parámetros de un modelo no lineal mixto. Una comparación de métodos de estimación.(2012-11-28) Chiapella, Luciana; García, María del Carmen Eva; Rapelli Picabea, Cecilia Mónica; Castellana, Noelia; Koegel, Liliana Hilda; Secretaría de Ciencia y Tecnología. Facultad de Ciencias Económicas y Estadística. Universidad Nacional de Rosarion.d.Ítem Acceso Abierto Una introducción al problema de covariables que varían en el tiempo en modelos mixtos(2019-11-27) Castellana, Noelia; Cometo, Esteban; Rapelli Picabea, Cecilia Mónica; García, María del Carmen Eva; Secretaría de Ciencia y Tecnología. Facultad de Ciencias Económicas y Estadística. Universidad Nacional de RosarioLos estudios longitudinales están conformados por datos obtenidos midiendo repetidamente una variable respuesta a la misma unidad. En este tipo de estudios es también frecuente contar con variables explicativas que se desean incorporar al análisis. Estas covariables pueden ser fijas a lo largo de todo el período (por ejemplo el sexo biológico de una persona) o bien puedan variar a lo largo del seguimiento (por ejemplo el valor de colesterol). Los modelos lineales mixtos permiten analizar este tipo de datos, modelando, por un lado, la evolución de la respuesta promedio en función del tiempo y las covariables, mediante efectos fijos, y, por otro lado, la variación entre las respuestas repetidas dentro y entre sujetos por medio del error y los efectos aleatorios, respectivamente. Este tipo de covariables que varían en el tiempo pueden utilizarse para comparar poblaciones, para describir tendencias en el tiempo, y también para describir relaciones dinámicas con la variable respuesta. La relación entre la covariable que varía en el tiempo y la variable respuesta puede estar confundida por valores anteriores y/o posteriores de la covariable y en consecuencia esto puede conducir a inferencias engañosas sobre los pará-metros del modelo. Este estudio realiza una introducción a la problemática de incorporar cova-riables que varían con el tiempo en modelos para datos longitudinales, presentando diferentes definiciones de las mismas y enfoques metodológicos