Resumen

Los modelos de efectos mixtos son ampliamente utilizados para modelar datos agrupados cuando hay grandes variaciones entre los grupos, ya que los modelos de efectos mixtos permiten inferencias específicas para cada grupo. En algunos estudios longitudinales como los estudios sobre el VIH/SIDA, es común que algunos covariables que varían con el tiempo puedan estar censurados a la izquierda o a la derecha debido a límites de detección, pueden faltar en momentos de interés o pueden estar medidos con errores. Para abordar estos problemas de datos incompletos, un enfoque común es modelar los covariables que varían con el tiempo basados en datos de covariables observados y luego usar el modelo ajustado para predecir los covariables censurados, faltantes o mal medidos. En este artículo, proporcionamos una revisión de los enfoques comunes para covariables censurados en modelos de respuesta longitudinal y de supervivencia, y abogamos por modelos de covariables mecanicistas no lineales si dichos modelos están disponibles.

• Materias:Modelar datos Estimadores sesgados Muestreo doble sintético Razón de verosimilitud empírica Diseño adaptativo bayesiano
• Subjects:Modeling data Biased estimators Synthetic double sampling Empirical likelihood ratio Bayesian adaptive design
• Palabras claves:Modelos de efectos mixtos; Datos agrupados; Covariables variables en el tiempo; Covariables censuradas; Datos incompletos; Estudios longitudinales
• Keywords:Mixed effects models; Clustered data; Time-varying covariates; Censored covariates; Incomplete data; Longitudinal studies