MAZIN, S. C.Metodos Bayesianos em Metanalise: Especicac~ao da Distribuic~ao a Priori para a Variabilidade entre os Estudos. 2009. 175f. Dissertac~ao (mestrado) - Faculdade de Medicina de Ribeir~ao Preto, Universidade de S~ao Paulo, Ribeir~ao Preto, 2009. Prossionais da saude, pesquisadores e outros responsaveis por polticas de saude s~ao frequentemente inundados com quantidades de informac~oes nem sempre manejaveis, o que torna a revis~ao sistematica uma maneira eciente de integrar o conhecimento existente gerando dados que auxiliem a tomada de decis~ao. Em uma revis~ao sistematica os dados dos diferentes estudos podem ser quantitativamente combinados por metodos estatsticos chamados metanalise. A metanalise e uma ferramenta estatstica utilizada para combinar ou integrar os resultados dos diversos estudos independentes, sobre o mesmo tema. Entre os estudos que comp~oem a metanalise pode existir uma variabilidade que n~ao e devida ao acaso, chamada heterogeneidade. A heterogeneidade e geralmente testada pelo teste Q ou quanticada pela estatstica I2. A investigac~ao da heterogeneidade na metanalise e de grande import^ancia pois a aus^encia ou a presenca indica o modelo estatstico mais adequado. Assim, na aus^encia desta variabilidade utilizamos um modelo estatstico de efeito xo e na presenca utilizamos um modelo de efeitos aleatorios que incorpora a variabilidade entre os estudos na metanalise. Muitas metanalises s~ao compostas por poucos estudos, e quando isso acontece, temos diculdades de estimar as medidas de efeito metanalticas atraves da teoria classica, pois esta e dependente de pressupostos assintoticos. Na abordagem bayesiana n~ao temos esse problema, mas devemos ter muito cuidado com a especicac~ao da distribuic~ao a priori. Uma vantagem da infer^encia bayesiana e a possibilidade de predizer um resultado para um estudo futuro. Neste trabalho, conduzimos um estudo sobre a especicac~ao da distribuic~ao a priori para o par^ametro que expressa a vari^ancia entre os estudos e constatamos que n~ao existe uma unica escolha que caracterize uma distribuic~ao a priori que possa ser considerada ~ao informativa\"em todas as situac~oes. A escolha de uma distribuic~ao a priori ~ao informativa\"depende da heterogeneidade entre os estudos na metanalise. Assim a distribuic~ao a priori deve ser escolhida com muito cuidado e seguida de uma analise de sensibilidade, especialmente quando o numero de estudos e pequeno. / MAZIN, S. C. Bayesian methods in meta-analysis: specication of prior distributions for the between-studies variability. 2009. 175s. Dissertation (master degree) - Faculty of Medicine of Ribeir~ao Preto, University of S~ao Paulo, Ribeir~ao Preto, 2009. Health professionals, researchers and others responsible for health policy are often overwhelmed by amounts of information that can not always be manageable, which makes the systematic review an ecient way to integrate existing knowledge generating information that may help decision making. In a systematic review, data from dierent studies can be quantitatively combined by statistical methods called meta-analysis. The meta-analysis is a statistical tool used to combine or integrate the results of several independent studies on the same topic. Among the studies that comprise the meta-analysis we have a variability that does not yield from the chance, called the heterogeneity. Heterogeneity is usually tested by Q or quantied by the statistic I2. The investigation of heterogeneity in meta-analysis has a great importance because the absence or presence indicates the most appropriate statistical model. In the absence of this variability we used a xed eect statistical model and a random eects model was used to incorporate the variability between studies in the meta-analysis. Many meta-analysis are composed of few studies, and in those cases, it is dicult to estimate the eect of meta-analytic measures by the classical theory because the asymptotic assumptions. In the Bayesian approach we do not have this problem, but we must be very careful about the specication of prior distribution. One advantage of Bayesian inference is the ability to predict an outcome for a future study. In this work, carried out a study about the specication of prior distribution for the parameter that expresses of the variance between studies and found that there is no single choice that features a prior distribution that would be considered uninformative at all times. The choice of a prior distribution uninformative depend heterogeneity among studies in the meta-analysis. Thus, the prior distribution should be examined very carefully and followed by a sensitivity analysis, especially when the number of studies is small.

MAZIN, S. C.Metodos Bayesianos em Metanalise: Especicac~ao da Distribuic~ao a Priori para a Variabilidade entre os Estudos. 2009. 175f. Dissertac~ao (mestrado) - Faculdade de Medicina de Ribeir~ao Preto, Universidade de S~ao Paulo, Ribeir~ao Preto, 2009. Prossionais da saude, pesquisadores e outros responsaveis por polticas de saude s~ao frequentemente inundados com quantidades de informac~oes nem sempre manejaveis, o que torna a revis~ao sistematica uma maneira eciente de integrar o conhecimento existente gerando dados que auxiliem a tomada de decis~ao. Em uma revis~ao sistematica os dados dos diferentes estudos podem ser quantitativamente combinados por metodos estatsticos chamados metanalise. A metanalise e uma ferramenta estatstica utilizada para combinar ou integrar os resultados dos diversos estudos independentes, sobre o mesmo tema. Entre os estudos que comp~oem a metanalise pode existir uma variabilidade que n~ao e devida ao acaso, chamada heterogeneidade. A heterogeneidade e geralmente testada pelo teste Q ou quanticada pela estatstica I2. A investigac~ao da heterogeneidade na metanalise e de grande import^ancia pois a aus^encia ou a presenca indica o modelo estatstico mais adequado. Assim, na aus^encia desta variabilidade utilizamos um modelo estatstico de efeito xo e na presenca utilizamos um modelo de efeitos aleatorios que incorpora a variabilidade entre os estudos na metanalise. Muitas metanalises s~ao compostas por poucos estudos, e quando isso acontece, temos diculdades de estimar as medidas de efeito metanalticas atraves da teoria classica, pois esta e dependente de pressupostos assintoticos. Na abordagem bayesiana n~ao temos esse problema, mas devemos ter muito cuidado com a especicac~ao da distribuic~ao a priori. Uma vantagem da infer^encia bayesiana e a possibilidade de predizer um resultado para um estudo futuro. Neste trabalho, conduzimos um estudo sobre a especicac~ao da distribuic~ao a priori para o par^ametro que expressa a vari^ancia entre os estudos e constatamos que n~ao existe uma unica escolha que caracterize uma distribuic~ao a priori que possa ser considerada ~ao informativa\"em todas as situac~oes. A escolha de uma distribuic~ao a priori ~ao informativa\"depende da heterogeneidade entre os estudos na metanalise. Assim a distribuic~ao a priori deve ser escolhida com muito cuidado e seguida de uma analise de sensibilidade, especialmente quando o numero de estudos e pequeno. / MAZIN, S. C. Bayesian methods in meta-analysis: specication of prior distributions for the between-studies variability. 2009. 175s. Dissertation (master degree) - Faculty of Medicine of Ribeir~ao Preto, University of S~ao Paulo, Ribeir~ao Preto, 2009. Health professionals, researchers and others responsible for health policy are often overwhelmed by amounts of information that can not always be manageable, which makes the systematic review an ecient way to integrate existing knowledge generating information that may help decision making. In a systematic review, data from dierent studies can be quantitatively combined by statistical methods called meta-analysis. The meta-analysis is a statistical tool used to combine or integrate the results of several independent studies on the same topic. Among the studies that comprise the meta-analysis we have a variability that does not yield from the chance, called the heterogeneity. Heterogeneity is usually tested by Q or quantied by the statistic I2. The investigation of heterogeneity in meta-analysis has a great importance because the absence or presence indicates the most appropriate statistical model. In the absence of this variability we used a xed eect statistical model and a random eects model was used to incorporate the variability between studies in the meta-analysis. Many meta-analysis are composed of few studies, and in those cases, it is dicult to estimate the eect of meta-analytic measures by the classical theory because the asymptotic assumptions. In the Bayesian approach we do not have this problem, but we must be very careful about the specication of prior distribution. One advantage of Bayesian inference is the ability to predict an outcome for a future study. In this work, carried out a study about the specication of prior distribution for the parameter that expresses of the variance between studies and found that there is no single choice that features a prior distribution that would be considered uninformative at all times. The choice of a prior distribution uninformative depend heterogeneity among studies in the meta-analysis. Thus, the prior distribution should be examined very carefully and followed by a sensitivity analysis, especially when the number of studies is small.

We propose Bayesian methods for selecting and estimating different types of mixture models which are widely used inGenetics and MolecularBiology. We specifically propose data-driven selection and estimation methods for a generalized mixture model, which accommodates the usual (independent) and the first-order (dependent) models in one framework, and QTL (quantitativetrait locus) mapping models for independent and pedigree data. For clustering genes through a mixture model, we propose three nonparametric Bayesian methods: a marginal nested Dirichlet process (NDP), which is able to cluster distributions and, a predictive recursion clustering scheme (PRC) and a subset nonparametric Bayesian (SNOB) clustering algorithm for clustering bigdata. We analyze and compare the performance of the proposed methods and traditional procedures of selection, estimation and clustering in simulated and real datasets. The proposed methods are more flexible, improve the convergence of the algorithms and provide more accurate estimates in many situations. In addition, we propose methods for estimating non observable QTLs genotypes and missing parents and improve the Mendelian probability of inheritance of nonfounder genotype using conditional independence structures.We also suggest applying diagnostic measures to check the goodness of fit of QTLmappingmodels. / Nos propomos métodos Bayesianos para selecionar e estimar diferentes tipos de modelos de mistura que são amplamente utilizados em Genética e Biologia Molecular. Especificamente, propomos métodos direcionados pelos dados para selecionar e estimar um modelo de mistura generalizado, que descreve o modelo de mistura usual (independente) e o de primeira ordem numa mesma estrutura, e modelos de mapeamento de QTL com dados independentes e familiares. Para agrupar genes através de modelos de mistura, nos propomos três métodos Bayesianos não-paramétricos: o processo de Dirichlet aninhado que possibilita agrupamento de distribuições e, um algoritmo preditivo recursivo e outro Bayesiano não- paramétrico exato para agrupar dados de alta dimensão. Analisamos e comparamos o desempenho dos métodos propostos e dos procedimentos tradicionais de seleção e estimação de modelos e agrupamento de dados em conjuntos de dados simulados e reais. Os métodos propostos são mais flexíveis, aprimoram a convergência dos algoritmos e apresentam estimativas mais precisas em muitas situações. Além disso, nos propomos procedimentos para estimar o genótipo não observável dos QTL se de pais faltantes e melhorar a probabilidade Mendeliana de herança genética do genótipo dos descendentes através da estrutura condicional de independência entre as variáveis. Também sugerimos aplicar medidas de diagnóstico para verificar a qualidade do ajuste dos modelos de mapeamento de QTLs.