Ir al menú de navegación principal Ir al contenido principal Ir al pie de página del sitio

Uso del Método “Combinación de Riesgos” para estimar la función de supervivencia en presencia de riesgos competitivos dependientes: Un estudio de simulación.

Resumen

En este trabajo se comparan distintas estructuras de dependencia para los riegos que compiten en un mode- lo de riesgos competitivos dependientes trivariado, haciendo uso de las técnicas C-Vines y D-Vines cópulas, vía simulación estadística. Los Vines permiten obtener flexibilidad multivariada y son capaces de capturar todo el rango posible de dependencias entre los riegos competitivos, las cuales son de gran interés en los mercados financieros, problemas sociales, genéticos, entre otros. Seguidamente, se estima la función de sobrevivencia para el tiempo mínimo, tanto para el caso independiente, por medio del estimador Kaplan Meier, como para el caso dependiente, en el que usaremos el método de combinación de riesgos, el cual es una extensión del estimador cópula gráfico. Los C-D Vines cópulas, trabajan con una variedad de cópulas bivariadas, las cuales se pueden seleccionar de manera independiente y permiten tener una amplia gama de posibilidades para la caracterización de la dependencia de los riesgos que compiten, se estudian casos particulares donde dos de los tres riesgos tienen igual dependencia y el riesgo restante es independiente a los anteriores. También se estudia el caso donde dos riesgos presentan igual dependencia y el otro con de- pendencia alta. Además se analiza un caso particular donde los tres riesgos presentan distinta dependencia. En todos los casos estudiados, el método de combinación de riesgos es una buena alternativa para estimar las funciones de distribución marginal y la función de sobrevivencia cuando se tiene dependencia entre los riesgos de un modelo de riesgos competitivos dependientes.

Palabras clave

C-Vines, D-Vines, Combinación de Riesgos, Cópula Gráfico

PDF

Biografía del autor/a

Osnamir Elias Bru Cordero

Estudiante Doctorado en Estadística

Mario César Jaramillo Elorza

Escuela de Estadística, Docente


Citas

  1. Lo, S. and Wilke, R. A, “A copula model for dependent competing risks”, Journal of the Royal Statistical Society, vol. 59, no. 2, pp. 359-376, 2010. DOI: https://doi.org/10.1111/j.1467-9876.2009.00695.x
  2. M. Zheng, J. P. Klein, “Estimates of marginal survival for dependent
  3. competing risks based on an assumed copula”Biometrika, vol. 82, no 1, pp. 127-138, 1995. DOI: https://doi.org/10.1093/biomet/82.1.127
  4. Nelsen, R. B, “An introduction to copulas”, Springer, second edn, New York, 2006.
  5. Tsiatis, A, “A nonidentifiability aspect of the problem of competing risks”, Proc. Natl. Acad. Sci, USA. 72(1), pp. 20-22, 1975. DOI: https://doi.org/10.1073/pnas.72.1.20
  6. Meeker,W. Q. and Escobar, L. A. and Hong, Y, “Using Accelerated Life Tests Results to Predict Product Field Reliability”, Technometrics, vol. 51, no. 2, pp. 146-161, 2009. DOI: https://doi.org/10.1198/TECH.2009.0016
  7. B. Schweizer, A. Sklar, “Probabilistic Metric Spaces”, Dover Publications,
  8. New York, 1983.
  9. Paz-Sabogal., M. C., Lopera-Gómez., C. M. and Yañez-Canal., S. “Extensión del estimador cópula gráfico para un modelo con más de dos riesgos competitivos dependientes”, Revista Ingeniería y Competitividad-Univalle 16(1), 2014.
  10. M. Pintilie, “Competing Risks: Apractical Perspective”, Jhon Wiley and Sons, 2006. DOI: https://doi.org/10.1002/9780470870709
  11. Meeker, W. Q. and Escobar, L. A, “Statistical methods for reliability data”,
  12. New York: John Wiley and Sons, 1998.
  13. Escarela, G. and Carriere, J., “Fitting competing risks with an assumed
  14. copula”, Statistical Methods in Medical Research 12, 33-349, 2003.
  15. Brechman, E. C. and Shepsmeier, U., “Modeling dependence with C- and D-vine copula: The r package cdvine”, Journal of statistical software 52, 2013. DOI: https://doi.org/10.18637/jss.v052.i03
  16. Aas, K., Czado, C., Frigessi, A. and Bakken, H., “Pair-copula constructions of multiple dependence”, Mathematics and Economics 44(2), 182-198, 2009. DOI: https://doi.org/10.1016/j.insmatheco.2007.02.001
  17. Lu, J. C., and Bhattacharyya, G. K., “Some new constructions of bivariate Weibull models”, Annals of the Institute of Statistical Mathematics, 42(3), 543-559, 1990. DOI: https://doi.org/10.1007/BF00049307

Descargas

Los datos de descargas todavía no están disponibles.