Resumen

Los datos longitudinales complejos suelen analizarse utilizando modelos de efectos mixtos no lineales (NLME) con una distribución normal. Sin embargo, una desviación de la normalidad puede llevar a inferencias inválidas y estimaciones de parámetros poco razonables. Algunos covariables pueden medirse con errores sustanciales, y las observaciones de respuesta también pueden estar sujetas a censura por la izquierda debido a un límite de detección. Los procedimientos inferenciales pueden complicarse drásticamente cuando se analizan datos con características asimétricas, censura por la izquierda y errores de medición. Existe relativamente poco trabajo que aborde simultáneamente las tres características. En este artículo, investigamos conjuntamente un modelo Tobit NLME sesgado para el proceso de respuesta (con censura por la izquierda) y un modelo de efectos mixtos no paramétrico sesgado para el proceso de covariable (con errores de medición) bajo un marco bayesiano. Se utiliza un ejemplo de datos reales para ilustrar los métodos propuestos.

• Materias:Modelos de regresión Conjunto borroso Agrupamiento Factores de transcripción Modelo autorregresivo
• Subjects:Regression models Fuzzy set Clustering Transcription factors Autoregressive model
• Palabras claves:Complejo; Datos longitudinales; Modelos NLME; Distribución normal; Censura izquierda; Errores de medición
• Keywords:Complex; Longitudinal data; NLME models; Normal distribution; Left-censoring; Measurement errors