Comparación de algunos métodos para estimar el modelo de riesgos proporcionales de Cox para datos con censura a intervalo
![](https://revistas.uptc.edu.co/public/journals/20/cover_issue_774_es_ES.png)
Resumen
Los datos con censura a intervalo son comunes en varias áreas del conocimiento, tales como: epidemiolo- gía, finanzas, demografía, medicina, entre otras. Ocurren cuando el evento de interés, el tiempo de falla, no se observa exactamente, sino que se encuentra dentro de algún intervalo del tiempo de observación. Con frecuencia en esta situación se realiza una imputación de los datos que no se conocen exactamente. Algunos de los métodos de imputación múltiple propuestos en la literatura son el algoritmo PMDA (Poor Man’s Data Augmentation) y el algoritmo ANDA (Asymptotic Normal Data Augmentation), los cuales per- miten estimar los parámetros del modelo de riesgos proporcionales de Cox utilizando métodos clásicos de estimación. También existen métodos alternativos para realizar estas estimaciones, como el algoritmo ICM (Iterative Convex Minorant) y un enfoque Bayesiano, que no realizan imputación de los datos con censura a intervalo.
En este trabajo se realizó una comparación vía simulación del desempeño de los estimadores de los pa- rámetros del modelo de Cox producidos por cada uno de los métodos anteriormente mencionados. Los resultados evidenciaron que en términos generales los métodos ICM y el enfoque Bayesiano presentan va- lores de probabilidad de cobertura más altos y errores cuadráticos medios más bajos, además al aumentar el tamaño de la muestra estos valores mejoran notablemente comparados con los métodos PMDA y ANDA. En estos últimos no se evidenciaron diferencias considerables entre los resultados. Finalmente, se realizó una aplicación con datos reales asociados a un estudio de mastitis en ganado lechero.
Palabras clave
Métodos de imputación múltiple, censura a intervalo, enfoque Bayesiano, algoritmo ICM (Iterative Convex Minorant), modelo de riesgos proporcionales de Cox
Referencias
- X. Lin, B. Cai, L. Wang y Z. Zhang, “A Baye- sian proportional hazards model for general interval-censored data”, Lifetime Data Analysis, vol. 21, pp. 470–490, 2015. DOI: https://doi.org/10.1007/s10985-014-9305-9
- E.Strapasson,“Asimulationstudytocompare imputation methods to handle grouped survi- val data”, Revista Brasileira de Biometría, vol. 27, pp. 210–224, 2009.
- C. H. Hsu, J. M. Taylor, S. Murray y D. Commenges, “Survival analysis using auxiliary va- riables via non-parametric multiple impu- tation”, Statistics in Medicine, vol. 25, pp. 3503–3517, 2006. DOI: https://doi.org/10.1002/sim.2452
- M.C.Jaramillo-ElorzayC.M.Lopera-Gómez, “Estudio del efecto de la imputación de fallas en la estimación de la curva de supervivencia bajo censura a intervalo”, Ciencia en Desarro- llo, vol. 8(1), pp. 21–28, 2017. DOI: https://doi.org/10.19053/01217488.v8.n1.2017.4261
- W. Pan, “A multiple imputation approach to Cox regression with interval-censored data”, Biometrics, vol. 56, pp. 199–203, 2000. DOI: https://doi.org/10.1111/j.0006-341X.2000.00199.x
- P. Groeneboom y J. A. Wellner, Information Bounds and Nonparametric Maximum Like- lihood Estimation, Springer, 1992. DOI: https://doi.org/10.1007/978-3-0348-8621-5
- W.Pan,“Extendingtheiterativeconvexmino- rant algorithm to the Cox model for interval- censored data”, Journal of Computational and Graphical Statistics, vol. 8, pp. 109–120, 1999. DOI: https://doi.org/10.1080/10618600.1999.10474804
- J.HuangyJ.A.Wellner,Intervalcensoredsur- vival data: A review of recent progress, Sprin- ger, 1997. DOI: https://doi.org/10.1007/978-1-4684-6316-3_8
- J. Sun, Interval censoring. Encyclopedia of Biostatistics, Wiley, 1998.
- D.CoxyD.Oakes,“Regressionmodelsandlife tables”, Journal of the Royal Statistical Society, vol. 34, pp. 187–220, 1972. DOI: https://doi.org/10.1111/j.2517-6161.1972.tb00899.x
- O. Mangasarian, “Algorithms of nonlinear mathematical programming”, CS730 Course Notes, Computer Sciences Department, University of Wisconsin, Madison, WI, 1996.
- D. P. Bertsekas, “Projected newton methods for optimization problems with simple cons- traints”, SIAM Journal on Control and Optimization, vol. 20, pp. 221–246, 1982. DOI: https://doi.org/10.1137/0320018
- D.M.Finkelstein,“Aproportionalhazardsmo- del for interval-censored failure time data”, Biometrics, vol. 42, pp. 845–854, 1986. DOI: https://doi.org/10.2307/2530698
- J. Sun, The Statistical Analysis of Interval- Censored Failure Time Data, Springer, 2007.
- J. O. Ramsay, “Monotone regression splines in action”, Statistical Science, vol. 3, pp. 425–461, 1988. DOI: https://doi.org/10.1214/ss/1177012761
- P. Joly, D. Commenges y L. Letenneur, “A pe- nalized likelihood approach for arbitrarily cen- sored and truncated data: Application to age-specific incidence of dementia”, Biometrics, vol. 54, pp. 185–194, 1998. DOI: https://doi.org/10.2307/2534006
- B. Cai, X. Lin y L. Wang, “Bayesian propor- tional hazards model for current status data with monotone splines”, Computational Statistics and Data Analysis, vol. 55, pp. 2644–2651, 2011. DOI: https://doi.org/10.1016/j.csda.2011.03.013
- X. Lin y L. Wang, “A semiparametric probit model for case 2 interval-censored failure time data”, Statistics in Medicine, vol. 29, pp. 972– 981, 2010. DOI: https://doi.org/10.1002/sim.3832
- X. Lin y L. Wang, “Bayesian proportional odds models for analyzing current status data: Uni- variate, clustered, and multivariate”, Commu- nications in Statistics-Simulation and Compu- tation, vol. 40, pp. 1171–1181, 2011. DOI: https://doi.org/10.1080/03610918.2011.566971
- L.WangyD.B.Dunson,“SemiparametricBa- yes proportional odds models for current sta- tus data with underreporting”, Biometrics, vol. 67, pp. 1111–1118, 2011. DOI: https://doi.org/10.1111/j.1541-0420.2010.01532.x
- W.R.GilksyP.Wild,“Adaptiverejectionsam- pling for Gibbs sampling”, Applied Statistics, vol. 41, pp. 337–348, 1992. DOI: https://doi.org/10.2307/2347565
- M. A. Tanner y W. H. Wong, “The calculation of posterior distributions by data augmenta- tion”, Journal of the American Statistical Association, vol. 82, pp. 528–540, 1987. DOI: https://doi.org/10.1080/01621459.1987.10478458
- G. C. Wei y M. A. Tanner, “Applications of mul- tiple imputation to the analysis of censored re- gression data”, Biometrics, vol. 47, pp. 1297– 1309, 1991. DOI: https://doi.org/10.2307/2532387
- K. Goethals, B. Ampe, D. Berkvens, H. Lae- vens, P. Janssen y L. Duchateau, “Modeling interval-censored, clustered cow udder quarter infection times through the shared gamma
- frailty model”, Journal of Agricultural, Biolo- gical, and Environmental Statistics, vol. 14, pp. 1–14, 2009.
- J.Weller,A.SaranyY.Zeliger,“Geneticanden- vironmental relationships among somatic cell count, bacterial infection, and clinical mastitis”, Journal of Dairy Science, vol. 75, pp. 2532– 2540, 1992. DOI: https://doi.org/10.3168/jds.S0022-0302(92)78015-1
- R. Adkinson, K. Ingawa, D. Blouin y S. Nickerson, “Distribution of clinical mastitis among quarters of the bovine udder”, Journal of Dairy Science, vol. 76, pp. 3453–3459, 1993. DOI: https://doi.org/10.3168/jds.S0022-0302(93)77684-5