An´alise de dados longitudinais sobre desenvolvimento infantil por meio de modelos lineares mistos trivariados derivados de c´opulas
DOI:
https://doi.org/10.5902/2179460X70316Palavras-chave:
Cópulas, Dados longitudinais, Índices antropométricos, Modelos lineares mistosResumo
Estudos longitudinais são bastante comuns na área de saúde pública e, consequentemente, métodos estatísticos adequados são requeridos para analisar a evolução temporal de uma ou mais variáveis respostas, separada ou simultaneamente. Especificar a função de densidade conjunta de todas as variáveis respostas, assim como sua estrutura de correlação, são os principais obstáculos dos procedimentos de modelagem multivariada. Vale destacar também as dificuldades numéricas frequentemente encontradas na inferência estatística quando a dimensão do problema aumenta. Como alternativa, neste trabalho são apresentadas duas propostas para lidar com dados longitudinais multivariados: (i) uma abordagem univariada, com modelos lineares mistos ajustados a cada uma das variáveis respostas separadamente; e (ii) uma modelagem conjunta dessas variáveis, por meio do uso de funções cópula. Ambas as metodologias são aplicadas a um conjunto de dados reais trivariados referentes ao desenvolvimento nutricional de crianças de um município brasileiro do estado da Bahia.
Downloads
Referências
Akaike, H. (1977). On entropy maximization principle. In Krishnaiah, P.R., Ed. Application of Statistics. (pp. 27-41). Amsterdam: Springer-Verlag.
Arellano-Valle, R., Bolfarine, H., & Lachos, V. H. (2005). Skew-normal linear mixed models. Journal of Data Science, 3(4), 415-438. DOI: https://doi.org/10.6339/JDS.2005.03(4).238
Arnau, J., Bono, R., Blanca, M. J., & Bendayan, R. (2012). Using the linear mixed model to analyze nonnormal data distributions in longitudinal designs. Behavior Research Methods, 44, 1224-1238. DOI: https://doi.org/10.3758/s13428-012-0196-y
Bandyopadhyay, S., Ganguli, B., & Chatterjee, A. (2011). A review of multivariate longitudinal data analysis. Statistical Methods in Medical Research, 20(4), 299-330. DOI: https://doi.org/10.1177/0962280209340191
Bortot, P. (2010). Tail dependence in bivariate skew-normal and skew-t distributions. Recovered from: www2.stat.unibo.it/bortot/ricerca/paper-sn-2.pdf.
Brown, H. & Prescott, R. (2015). Applied Mixed Models in Medicine. John Wiley & Sons. DOI: https://doi.org/10.1002/9781118778210
Brunner, E., Domhof, S., & Langer, F. (2002). Nonparametric Analysis of Longitudinal Data in Factorial Experiments. John Wiley & Sons.
Cho, H. (2016). The analysis of multivariate longitudinal data using multivariate marginal models. Journal of Multivariate Analysis, 143, 481-491. DOI: https://doi.org/10.1016/j.jmva.2015.10.012
Demidenko, E. (2013). Mixed Models: Theory and Applications with R. John Wiley & Sons. Diggle, P. J., Heagerty, P., Liang, K.-Y., & Zeger, S. L. (2002). Analysis of Longitudinal Data. (2nd ed). Oxford University Press.
EBA (2014). Consultation Paper, Draft Regulatory Technical Standards on assessment methodologies for the Advanced Measurement Approaches for operational risk under Article 312 of Regulation (EU) No 575/2013. Technical report, European Banking Authority.
Embrechts, P., McNeil, A., & Straumann, D. (2002). Correlation and dependence in risk management: properties and pitfalls Risk Management: Value at Risk and Beyond, 1, 176-223. DOI: https://doi.org/10.1017/CBO9780511615337.008
Fausto, M. A., Carneiro, M., Antunes, C. M. d. F., Pinto, J. A., & Colosimo, E. A. (2008). Mixed linear regression model for longitudinal data: application to an unbalanced anthropometric data set. Cadernos de Sa´ude P´ublica, 24, 513-524. DOI: https://doi.org/10.1590/S0102-311X2008000300005
Ferreira, C. S., Bolfarine, H., & Lachos, V. H. (2022). Linear mixed models based on skew scale mixtures of normal distributions. Communications in Statistics - Simulation and Computation, 51(12), 7194-7214. DOI: https://doi.org/10.1080/03610918.2020.1827265
Ferreira, P. H., Fiaccone, R. L., Lordelo, J. S., Sena, S. O., & Duran, V. R. (2019). Bivariate copula-based linear mixed-effects models: An application to longitudinal child growth data. TEMA (S˜ao Carlos), 20, 37-59. DOI: https://doi.org/10.5540/tema.2019.020.01.37
Frahm, G., Junker, M., & Szimayer, A. (2003). Elliptical copulas: applicability and limitations. Statistics & Probability Letters, 63(3), 275-286. DOI: https://doi.org/10.1016/S0167-7152(03)00092-0
Frees, E. W., Bolanc´e, C., Guillen, M., & Valdez, E. A. (2021). Dependence modeling of multivariate longitudinal hybrid insurance data with dropout. Expert Systems with Applications, 185, 115552. DOI: https://doi.org/10.1016/j.eswa.2021.115552
Frees, Edward W & Wang, P. (2006). Copula credibility for aggregate loss models. Insurance: Mathematics and Economics, 38(2), 360-373. DOI: https://doi.org/10.1016/j.insmatheco.2005.10.004
Genest, C. & Favre, A.-C. (2007). Everything you always wanted to know about copula modeling but were afraid to ask. Journal of Hydrologic Engineering, 12(4), 347-368. DOI: https://doi.org/10.1061/(ASCE)1084-0699(2007)12:4(347)
Glogger, S. (2015). Visualization of Trivariate Vine Copulae (Master’s Thesis). Fakult¨at f¨ur Mathematik, Technische Universit¨at M¨unchen, M¨unchen, Deutschland.
Heilpern, S. (2014). Multivariate measures of dependence based on copulas. Mathematical Economics, 10(17), 17-32. DOI: https://doi.org/10.15611/me.2014.10.02
Hofert, M., Kojadinovic, I., M¨achler, M., & Yan, J. (2018). Elements of Copula Modeling with R. Springer. DOI: https://doi.org/10.1007/978-3-319-89635-9
Ida, A., Ishimura, N., & Nakamura, M. (2014). Note on the measures of dependence in terms of copulas. Procedia Economics and Finance, 14, 273-279. DOI: https://doi.org/10.1016/S2212-5671(14)00712-6
Joe, H. (2014). Dependence Modeling with Copulas. Chapman & Hall. DOI: https://doi.org/10.1201/b17116
Joe, H. & Xu, J. J. (1996). The estimation method of inference functions for margins for multivariate models. Technical Report 166, Department of Statistics.
Kahrari, F., Ferreira, C. S., & Arellano-Valle, R. B. (2019). Skew-normal-cauchy linear mixed models. Sankhya B, 81(2), 185-202. DOI: https://doi.org/10.1007/s13571-018-0173-2
Kim, S. & Kim, D. (2016). Directional Dependence Analysis Using Skew-Normal Copula- Based Regression. Statistics and Causality: Methods for Applied Empirical Research, 131-152. DOI: https://doi.org/10.1002/9781118947074.ch6
Kollo, T., Selart, A., & Visk, H. (2013). From multivariate skewed distributions to copulas. In Bapat, Ravindra B., Kirkland, Steve J., Prasad, K. M. & Puntanen, Simo. (Eds.). Combinatorial Matrix Theory and Generalized Inverses of Matrices. (pp. 63-72). Springer. DOI: https://doi.org/10.1007/978-81-322-1053-5_6
Laird, N. M. & Ware, J. H. (1982). Random-effects models for longitudinal data.Biometrics, 38(4), 963-974. DOI: https://doi.org/10.2307/2529876
Lambert, Philippe & Vandenhende, F. (2002). A copula-based model for multivariate non-normal longitudinal data: analysis of a dose titration safety study on a new antidepressant. Statistics in Medicine, 21(21), 3197-3217. DOI: https://doi.org/10.1002/sim.1249
Li, Feng & Kang, Y. (2018). Improving forecasting performance using covariate-dependent copula models. International Journal of Forecasting, 34(3), 456-476. DOI: https://doi.org/10.1016/j.ijforecast.2018.01.007
Li, Feng & He, Z. (2019). Credit risk clustering in a business group: Which matters more, systematic or idiosyncratic risk?.Cogent Economics & Finance, 7(1), 1632528. DOI: https://doi.org/10.1080/23322039.2019.1632528
Liu, X. (2016). Methods and Applications of Longitudinal Data Analysis. Elsevier. DOI: https://doi.org/10.1016/B978-0-12-801342-7.00002-2
Manner, Hans & Reznikova, O. (2012). A survey on time-varying copulas: specification, simulations, and application. Econometric Reviews, 31(6), 654-687. DOI: https://doi.org/10.1080/07474938.2011.608042
Marcelino, Sandra Denisen do Rocio & Iemma, A. F. (2000). M´etodos de estimação de componentes de variˆancia em modelos mistos desbalanceados. Scientia Agricola, 57(4), 643-652. DOI: https://doi.org/10.1590/S0103-90162000000400008
Molenberghs, Geert & Verbeke, G. (2005). Models for Discrete Longitudinal Data. Springer.
Nelsen, R. B. (1996). Nonparametric measures of multivariate association. Lecture Notes - Monograph Series, 223-232. DOI: https://doi.org/10.1214/lnms/1215452621
Nelsen, R. B. (2006). An Introduction to Copulas. Springer Science & Business Media.
Nobre, Juvˆencio S & Singer, J. M. (2007). Residual analysis for linear mixed models. Biometrical Journal, 49(6), 863-875. DOI: https://doi.org/10.1002/bimj.200610341
Nobre, Juvˆencio S & Singer, J. M. (2011). Leverage analysis for linear mixed models.Journal of Applied Statistics, 38(5), 1063-1072. DOI: https://doi.org/10.1080/02664761003759016
Oliveira, A. T. (2018). Modelagem Estat´ıstica para Dados Financeiros Bivariados Utilizando T´ecnicas de An´alise de Sobrevivˆencia e Func¸ ˜oes de C´opula (Dissertac¸ ˜ao de mestrado). Departamento de Estat´ıstica, Universidade Federal da Bahia, Salvador, BA, Brasil.
Panelli-Martins, B. E., Santos, S. M. C. d., & Assis, A. M. O. (2008). Seguranc¸ a alimentar e nutricional: desenvolvimento de indicadores e experimentação em um munic´ıpio da Bahia, Brasil. Revista de Nutric¸ ˜ao, 31, 65s-81s. DOI: https://doi.org/10.1590/S1415-52732008000700007
Patton, A. J. (2009). Copula-based models for financial time series. In Andersen, T. G., Davis, R. A., Kreiß, J. & Mikosch, T. V. Handbook of Financial Time Series. (pp. 767–785). Springer. DOI: https://doi.org/10.1007/978-3-540-71297-8_34
Pinheiro, J. C. & Bates, D. M. (2000). Mixed-Effects Models in S and S-PLUS. Springer. Schwarz, G. (1978). Estimating the dimension of a model. The Annals of Statistics, 461–464. DOI: https://doi.org/10.1007/978-1-4419-0318-1
Schweizer, B. & Wolff, E. F. (1981). On nonparametric measures of dependence for random variables. The Annals of Statistics, 9(4), 879–885. DOI: https://doi.org/10.1214/aos/1176345528
Singer, J. M., Rocha, F. M. M., & Nobre, J. S. (2017). Graphical tools for detecting departures from linear mixed model assumptions and some remedial measures. International Statistical Review, 85(2), 290-324. DOI: https://doi.org/10.1111/insr.12178
Sun, J., Frees, E. W., & Rosenberg, M. A. (2008). Heavy-tailed longitudinal data modeling using copulas. Insurance: Mathematics and Economics, 42(2), 817–830. DOI: https://doi.org/10.1016/j.insmatheco.2007.09.009
Team, R. D. C. (2018). Version 3.5.1. Vienna, Austria: R Foundation for Statistical Computing. Recovered from: https://www. r-project. org.
Tibshirani, Robert J & Efron, B. (1993). An Introduction to the Bootstrap. Chapman & Hall. Vaida, F. & Blanchard, S. (2005). Conditional Akaike information for mixed-effectsmodels. Biometrika, 351–370. DOI: https://doi.org/10.1093/biomet/92.2.351
Verbeke, G., Fieuws, S., Molenberghs, G., & Davidian, M. (2014). The analysis ofmultivariate longitudinal data: a review. Statistical Methods in Medical Research, 23(1), 42-59. DOI: https://doi.org/10.1177/0962280212445834
Wei, Z., Kim, S., & Kim, D. (2016). Multivariate skew normal copula for non-exchangeable dependence. Procedia Computer Science, 91, 141-150. DOI: https://doi.org/10.1016/j.procs.2016.07.051
Zhang, Y., Gomes, A. T., Beer, M., Neumann, I., & Nackenhorst, Udo & Kim, C.-W. (2019). Modeling asymmetric dependences among multivariate soil data for the geotechnical analysis - The asymmetric copula approach. Soils and Foundations, 59(6), 1960–1979. DOI: https://doi.org/10.1016/j.sandf.2019.09.001
Zhang, Y., Kim, C.-W., Beer, M., Dai, H., & Soares, C. G. (2018). Modeling multivariate ocean data using asymmetric copulas. Coastal Engineering, 135, 91-111. DOI: https://doi.org/10.1016/j.coastaleng.2018.01.008
Zhou, S. & Chen, Y. (2021). Industrial Data Analytics for Diagnosis and Prognosis: A Random Effects Modelling Approach. John Wiley & Sons. DOI: https://doi.org/10.1002/9781119666271
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2024 Ciência e Natura
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Para acessar a DECLARAÇÃO DE ORIGINALIDADE E EXCLUSIVIDADE E CESSÃO DE DIREITOS AUTORAIS clique aqui.
Diretrizes Éticas para Publicação de Revistas
A revista Ciência e Natura está empenhada em garantir a ética na publicação e na qualidade dos artigos.
A conformidade com padrões de comportamento ético é, portanto, esperada de todas as partes envolvidas: Autores, Editores e Revisores.
Em particular,
Autores: Os Autores devem apresentar uma discussão objetiva sobre a importância do trabalho de pesquisa, bem como detalhes e referências suficientes para permitir que outros reproduzam as experiências. Declarações fraudulentas ou intencionalmente incorretas constituem comportamento antiético e são inaceitáveis. Artigos de Revisão também devem ser objetivos, abrangentes e relatos precisos do estado da arte. Os Autores devem assegurar que seu trabalho é uma obra totalmente original, e se o trabalho e / ou palavras de outros têm sido utilizadas, isso tem sido devidamente reconhecido. O plágio em todas as suas formas constitui um comportamento publicitário não ético e é inaceitável. Submeter o mesmo manuscrito a mais de um jornal simultaneamente constitui um comportamento publicitário não ético e é inaceitável. Os Autores não devem submeter artigos que descrevam essencialmente a mesma pesquisa a mais de uma revista. O Autor correspondente deve garantir que haja um consenso total de todos os Co-autores na aprovação da versão final do artigo e sua submissão para publicação.
Editores: Os Editores devem avaliar manuscritos exclusivamente com base no seu mérito acadêmico. Um Editor não deve usar informações não publicadas na própria pesquisa do Editor sem o consentimento expresso por escrito do Autor. Os Editores devem tomar medidas de resposta razoável quando tiverem sido apresentadas queixas éticas relativas a um manuscrito submetido ou publicado.
Revisores: Todos os manuscritos recebidos para revisão devem ser tratados como documentos confidenciais. As informações ou ideias privilegiadas obtidas através da análise por pares devem ser mantidas confidenciais e não utilizadas para vantagens pessoais. As revisões devem ser conduzidas objetivamente e as observações devem ser formuladas claramente com argumentos de apoio, de modo que os Autores possam usá-los para melhorar o artigo. Qualquer Revisor selecionado que se sinta desqualificado para rever a pesquisa relatada em um manuscrito ou sabe que sua rápida revisão será impossível deve notificar o Editor e desculpar-se do processo de revisão. Os Revisores não devem considerar manuscritos nos quais tenham conflitos de interesse resultantes de relacionamentos ou conexões competitivas, colaborativas ou outras conexões com qualquer dos autores, empresas ou instituições conectadas aos documentos.
