Return to search

Estima??o cl?ssica e Bayesiana em modelos de sobrevida com fra??o de cura

Made available in DSpace on 2014-12-17T15:26:39Z (GMT). No. of bitstreams: 1
JosemirRA_DISSERT.pdf: 5246271 bytes, checksum: fe59e69070ae193e15ab79d805c3b449 (MD5)
Previous issue date: 2013-03-22 / Coordena??o de Aperfei?oamento de Pessoal de N?vel Superior / In Survival Analysis, long duration models allow for the estimation of the healing
fraction, which represents a portion of the population immune to the event of
interest. Here we address classical and Bayesian estimation based on mixture models
and promotion time models, using different distributions (exponential, Weibull and
Pareto) to model failure time. The database used to illustrate the implementations
is described in Kersey et al. (1987) and it consists of a group of leukemia patients
who underwent a certain type of transplant. The specific implementations used were
numeric optimization by BFGS as implemented in R (base::optim), Laplace approximation
(own implementation) and Gibbs sampling as implemented in Winbugs.
We describe the main features of the models used, the estimation methods and the
computational aspects. We also discuss how different prior information can affect
the Bayesian estimates / Em An?lise de Sobreviv?ncia, os modelos de longa dura??o permitem a estima??o da fra??o de cura, que representa uma parcela da popula??o imune ao evento de interesse. No referido trabalho abordamos os enfoques cl?ssico e Bayesiano com base nos modelos de mistura padr?o e de tempo de promo??o, utilizando diferentes distribui??es (exponencial, Weibull e Pareto) para modelar os tempos de falhas. A base de dados utilizada para ilustrar as implementa??es ? descrita em Kersey et al. (1987) e consiste em um grupo de pacientes com leucemia que foram submetidos a um certo tipo de transplante. As implementa??es espec?ficas utilizadas foram de otimiza??o num?rica por BFGS implementado em R (base::optim), aproxima??o de Laplace (implementa??o pr?pria) e o amostrador de Gibbs implementado no Open- Bugs. Descrevemos as principais caracter?sticas dos modelos utilizados, os m?todos de estima??o e os aspectos computacionais. Tamb?m discutimos como diferentes prioris podem afetar nas estimativas Bayesianas

Identiferoai:union.ndltd.org:IBICT/oai:repositorio.ufrn.br:123456789/17012
Date22 March 2013
CreatorsAlmeida, Josemir Ramos de
ContributorsCPF:76176142172, http://lattes.cnpq.br/0358291729873455, Valen?a, Dione Maria, CPF:42062667434, http://lattes.cnpq.br/7402574019454862, Andrade, Jos? Ailton Alencar, CPF:40333213300, http://lattes.cnpq.br/0493375103185241, Andrade, Bernardo Borba de
PublisherUniversidade Federal do Rio Grande do Norte, Programa de P?s-Gradua??o em Matem?tica Aplicada e Estat?stica, UFRN, BR, Probabilidade e Estat?stica; Modelagem Matem?tica
Source SetsIBICT Brazilian ETDs
LanguagePortuguese
Detected LanguagePortuguese
Typeinfo:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis
Formatapplication/pdf
Sourcereponame:Repositório Institucional da UFRN, instname:Universidade Federal do Rio Grande do Norte, instacron:UFRN
Rightsinfo:eu-repo/semantics/openAccess

Page generated in 0.0016 seconds