SciELO - Scientific Electronic Library Online

 
vol.33 issue1Confidence and Credibility Intervals for the Difference of Two ProportionsGoodness-of-Fit Employing the Moment Generating Function author indexsubject indexarticles search
Home Pagealphabetic serial listing  

Services on Demand

Journal

Article

Indicators

Related links

  • On index processCited by Google
  • Have no similar articlesSimilars in SciELO
  • On index processSimilars in Google

Share


Revista Colombiana de Estadística

Print version ISSN 0120-1751

Rev.Colomb.Estad. vol.33 no.1 Bogotá Jan./June 2010

 

Estimación de las componentes de un modelo de coeficientes dinámicos mediante las ecuaciones de estimación generalizadas

Time-Varying Coefficient Model Component Estimation Through Generalized Estimation Equations

JUAN CAMILO SOSA1, LUIS GUILLERMO DÍAZ2

1Universidad Nacional de Colombia, Facultad de Ciencias, Departamento de Estadística, Bogotá, Colombia. Estudiante de doctorado. Email: jcsosam@unal.edu.co
2Universidad Nacional de Colombia, Facultad de Ciencias, Departamento de Estadística, Bogotá, Colombia. Profesor asociado. Email: lgdiazm@unal.edu.co


Resumen

Se propone una metodología para estimar las componentes de un modelo de coeficientes dinámicos mediante las ecuaciones de estimación generalizadas (Liang & Zeger 1986), con el propósito de incluir directamente en la estimación la posible correlación de las medidas repetidas de cada individuo. La expansión de los coeficientes dinámicos del modelo se lleva a cabo a través de regresión spline (Huang et al. 2002). También se propone utilizar el criterio de información de Akaike en las ecuaciones de estimación generalizadas (QIC) (Pan 2001) como selector de modelos. Mediante simulación se compara la metodología propuesta con la metodología presentada por Wu & Zhang (2006), donde se estiman las componentes del modelo mediante mínimos cuadrados ponderados y se utiliza el criterio de información de Akaike (AIC) como selector de modelos, obteniéndose que en los escenarios simulados la metodología propuesta presenta mejores resultados con relación al error cuadrático medio promedio. Para ilustrar la estrategia de estimación propuesta, se considera el conjunto de datos ACTG 315 (Liang et al. 2003) asociado con un estudio de sida, en el que se modela dinámicamente la relación entre la carga viral y el conteo de células CD4+.

Palabras clave: criterio de información de Akaike, ecuaciones de estimación generalizadas, mínimos cuadrados ponderados, modelo de coeficientes dinámicos, regresión spline.


Abstract

A methodology to estimate time-varying coefficient models components through generalized estimation equations (Liang & Zeger 1986) is proposed, in order to include directly in the estimation the possible correlation between repeated measurements of each subject. Expansion of the time-varying coefficients is done by means of regression spline methods (Huang et al. 2002). Furthermore, is proposed the use of the Akaikes information criterion in generalized estimating equations (QIC) proposed by Pan (2001) like model selector. Through simulation are compared the proposed methodology and the methodology presented by Wu & Zhang (2006), where models components are estimated through weighted least squares and Akaikes information criterion (AIC) is used like model selector. It resulted that the proposed methodology gives a better behavior in relation with the average mean square error. In order to illustrate the methodology, is taken into account the data base ACTG 315 (Liang et al. 2003) related to a AIDS study, where it is investigated the relationship between the viral charge and the CD4+ cell count.

Key words: AIC, Generalized estimation equations, Regression spline, Longitudinal data, Time-varying coefficient model, Weighted least squares.


Texto completo disponible en PDF


Referencias

1. Altman, N. S. (1990), 'Kernel Smoothing of Data with Correlated Errors', Journal of the American Statistical Association 85(411), 749-759.         [ Links ]

2. Davis, C. S. (2002), Statistical Methods for the Analysis of Repeated Measurements, Springer.         [ Links ]

3. Diggle, P. J., Liang, K. Y. & Zeger, S. L. (1994), Analysis of Longitudinal Data, Oxford University Press.         [ Links ]

4. Fitzmaurice, G., Davidian, M., Verbeke, G. & Molenberghs, G. (2009), Longitudinal Data Analysis, Champman & Hall.         [ Links ]

5. Hart, J. D. (1991), 'Kernel Regression Estimation with Time Series Errors', Journal of the Royal Statistical Society. Series B (Methodological) 53(1), 173-187.         [ Links ]

6. Hart, J. D. & Wehrly, T. E. (1986), 'Kernel Regression Estimation using Repeated Measurements Data', Journal of the American Statistical Association 81(396), 1080-1088.         [ Links ]

7. Hastie, T., Tibshirani, R. & Friedman, J. (1990), The Elements of Statistical Learning, Springer.         [ Links ]

8. Hoover, D. R., Rice, J. A., Wu, C. O. & Yang, L. P. (1998), 'Nonparametric Smoothing Estimates of Time-Varying Coefficient Models with Longitudinal Data', Biometrika 85(4), 809-822.         [ Links ]

9. Huang, J. Z., Wu, C. O. & Zhou, L. (2002), 'Varying-coefficient Models and Basis Function Approximations for the Analysis of Repeated Measurements', Biometrika 89(1), 111-128.         [ Links ]

10. Huggins, R. M. & Loesch, D. Z. (1998), 'On the Analysis of Mixed Longitudinal Growth Data', Biometrics 54(2), 583-595.         [ Links ]

11. Liang, H., Wu, H. & Carroll, R. J. (2003), 'The relationship between Virologic and Immunologic Responses in AIDS Clinical Research using Mixed-Effects Varying-Coefficient Models with Measurement Error', Biostatistics 4(2), 297-312.         [ Links ]

12. Liang, K. Y. & Zeger, S. L. (1986), 'Longitudinal Data Analysis using Generalized Linear Models', Biometrika 73(1), 13-22.         [ Links ]

13. Pan, W. (2001), 'Akaike's Information Criterion in Generalized Estimating Equations', Biometrics 57(1), 120-125.         [ Links ]

14. Ramsay, J. O. & Silverman, B. W. (1997), Applied Functional Data Analysis, Springer.         [ Links ]

15. Sosa, J. C. & Díaz, L. G. (2009), Desarrollo de un modelo de coeficientes dinámicos y aleatorios para el análisis longitudinales, Tesis de Maestría, Departamento de Estadística, Universidad Nacional de Colombia, Bogotá, Colombia.         [ Links ]

16. Verbeke, G. & Molenberghs, G. (2000), Linear Mixed Models for Longitudinal Data, Springer.         [ Links ]

17. Wu, H. & Liang, H. (2004), 'Backing Random Varying-Coefficient Models with Time-Dependent Smoothing Covariates', Scandinavian Journal of Statistics 31, 3-19.         [ Links ]

18. Wu, H. & Zhang, J. T. (2006), Nonparametric Regression Methods for Longitudinal Data Analysis, Wiley.         [ Links ]

19. Zeger, S. L. & Diggle, P. J. (1994), 'Semiparametric Models for Longitudinal Data with Application to CD4 Cell Numbers in HIV Seroconverters', Biometrics 50(3), 689-699.         [ Links ]

20. de Boor, C. (1978), A Practical Guide to Splines, Springer.         [ Links ]

[Recibido en null de 2009. Aceptado en null de 2010]

Este artículo se puede citar en LaTeX utilizando la siguiente referencia bibliográfica de BibTeX:

@ARTICLE{RCEv33n1a06,
    AUTHOR  = {Sosa, Juan Camilo and Díaz, Luis Guillermo},
    TITLE   = {{Estimación de las componentes de un modelo de coeficientes dinámicos mediante las ecuaciones de estimación generalizadas}},
    JOURNAL = {Revista Colombiana de Estadística},
    YEAR    = {2010},
    volume  = {33},
    number  = {1},
    pages   = {89-109}
}

Creative Commons License All the contents of this journal, except where otherwise noted, is licensed under a Creative Commons Attribution License