Objetivos del análisis de supervivencia
|
|
- María Mercedes Maidana del Río
- hace 7 años
- Vistas:
Transcripción
1 Regresión de Cox Javier Zamora Unidad de Bioestadística Clínica. IRYCIS 1 Objetivos del análisis de supervivencia Estimar e interpretar las curvas de supervivencia i y/o riesgo. Comparar curvas de supervivencia, por ejemplo, entre dos tratamientos, o entre dos, o más, grupos de pacientes. Evaluar la relación de la supervivencia con otras, más de una, variables pronósticas. 2 1
2 Comparar curvas de supervivencia es distinta la supervivencia entre hombres y mujeres? Supervivencia del paciente Meses de supervivencia Number at risk sexorec = varon sexorec = mujer Varon Mujer 3 Comparar curvas Number at risk sexorec = varon sexorec = mujer Supervivencia del paciente Meses de supervivencia Varon Mujer. sts test sexorec failure _d: estpac == 1 analysis time _t: tpopac Log-rank test for equality of survivor functions Events Events sexorec observed expected varon mujer Total chi2(1) = 4.38 Pr>chi2 = Dos problemas: Cuantificar la diferencia Hombres y mujeres pueden ser distintos respecto a otro factor 4 2
3 Análisis multivariante El análisis multivariante (modelos de regresión) permite solucionar ambos problemas: Cuantifica el efecto Ajusta el efecto por otras variables de confusión En supervivencia (variable tiempo a ) se usa, sobre todo, el modelo de Cox Alternativas: diseño experimental diseño estratificado índice de propensión 5 Modelos de regresión Otros modelos asumen distintas formas para la función de supervivencia (Weibull, exponencial, gamma,...) planteando el modelo de regresión para los parámetros de las funciones. Pero el más popular, por su sencillez y facilidad para interpretar los coeficientes, es el denominado modelo dl de riesgo proporcional o modelo dl de Cox 6 3
4 Modelo de Cox k k ht, ( X) ( ) a1x a X = h0 te h 0 (t): riesgo cuando todas las variables X i son 0, o riesgo basal, que es variable con el tiempo. o, equivalentemente HR éht (, X) ù ln = a X a X ê ë h0(t) ú û 1 1 k k El logaritmo del riesgo relativo es una función lineal de las variables independientes, pero no del tiempo. 7 Interpretación de i i es el logaritmo del riesgo relativo cuando X i aumenta una unidad, manteniéndose constantes las demás variables. e a i es el riesgo relativo cuando X i aumenta una unidad, manteniéndose constantes las demás variables. Notar que, por lo tanto, el modelo implica que este riesgo relativo es constante; implica también efectos multiplicativos. El modelo no depende de cómo sea h 0 (t). 8 4
5 Modelo de Cox (stcox) 9 Ejemplo: efecto del sexo del receptor. stcox sexorec failure _d: estpac == 1 analysis time _t: tpopac Iteration 0: log likelihood = Iteration 1: log likelihood = Iteration 2: log likelihood = Iteration 3: log likelihood = Refining estimates: Iteration 0: log likelihood = Cox regression -- Breslow method for ties No. of subjects = 1400 Number of obs = 1400 No. of failures = 215 Time at risk = LR chi2(1) = 4.55 Log likelihood = Prob > chi2 = sexorec HR 2: 1: 10 5
6 Otros factores: tiempo en diálisis (tpodial) Efecto por cada mes en diálisis (tpodial) stcox tpodial tpodial Cuál es el efecto por año en diálisis? Efecto año = = => 7% incremento de riesgo por año. lincom 12*tpodial, eform ( 1) 12*tpodial = 0 _t exp(b) Std. Err. z P> z [95% Conf. Interval] (1) Entendiendo los coeficientes Efecto por mes en diálisis (tpodial). Cuál es el efecto por año en diálisis? _t Haz. Ratio Std. Err. z P> z [95% Conf. Interval] tpodial stcox tpodial, nohr _t Coef. Std. Err. z P> z [95% Conf. Interval] tpodial ht, ( X) = = = = % h () t a1x akxk HR e e
7 Otros factores: necrosis tubular aguda(nta) Efecto de sufrir la necrosis tubular aguda (NTA SI == 1; NO == 2 ) nta Cambiando la referencia se mejora la interpretación stcox 1.nta 1.nta Varios factores de riesgo juntos. stcox sexorec nta tpodial failure _d: estpac == 1 analysis time _t: tpopac Iteration 0: log likelihood = Iteration 1: log likelihood = Iteration 2: log likelihood = Iteration 3: log likelihood = Refining estimates: Iteration 0: log likelihood = Cox regression -- Breslow method for ties No. of subjects = 1292 Number of obs = 1292 No. of failures = 204 Time at risk = LR chi2(3) = Log likelihood = Prob > chi2 = sexorec nta tpodial
8 Estimación de los coeficientes Los coeficientes se estiman por máxima verosimilitud Los paquetes estadísticos tdíti suelen usar la aproximación de Peto (buena si en cada tiempo d i <n i ) Los coeficientes estimados son asintóticamente normales con varianzas conocidas Estimación de los coeficientes e IC 95% stcox 1.nta, nohr _t Coef. Std. Err. z P> z [95% Conf. Interval] 1.nta Contrastes estadísticos mediante la prueba de Wald H 0 : i = a H 1 : i a Generalmente a = 0 ; (e 0 =1) w = ( ˆ í a) var( ˆ ˆ ) i 2 w 2 IC (1- )% ˆ z EE( ˆ ) i ˆ / 2 I e ˆ ˆ i z /2EE( ˆ I ) 16 8
9 Bondad de ajuste. Evaluación del modelo completo Contraste con el logaritmo del cociente de verosimilitudes ilit (LCV) o log. likelihoodlih ratio. stcox tpodial sexorec nta, noshow nolog Cox regression -- Breslow method for ties No. of subjects = 1292 Number of obs = 1292 No. of failures = 204 Time at risk = LR chi2(3) = Log likelihood = Prob > chi2 = tpodial sexorec nta Comparación entre modelos (LCV) La prueba del logaritmo del cociente de verosimilitudes ilit (LCV) puede usarse para comparar modelos Procedimiento: Se ajustan ambos modelos Se guardan las estimaciones Se comparan 18 9
10 Comparación entre modelos (LCV) Guardamos estimaciones (x 2 modelos): Statistics Postestimation Manage estimation results Store in memory (nombre1) Se comparan Statistics Postestimation Tests Likelihood ratio test (nombre1 nombre2) Víctor Abraira 19 Almacenamos estimaciones (estimates store) 20 10
11 Comparamos estimaciones (lrtest) 21 Ejemplo. stcox tpodial sexorec nta, noshow nolog Cox regression -- Breslow method for ties No. of subjects = 1292 Number of obs = 1292 No. of failures = 204 Time at risk = LR chi2(3) = Log likelihood = Prob > chi2 = tpodial sexorec nta
12 Ejemplo. stcox sexorec nta if e(sample), noshow nolog Cox regression -- Breslow method for ties No. of subjects = 1292 Number of obs = 1292 No. of failures = 204 Time at risk = LR chi2(2) = Log likelihood = Prob > chi2 = sexorec nta Ejemplo. lrtest ( modelo_3var) ( modelo_2var) Likelihood-ratio test LR chi2(1) = 5.13 (Assumption: modelo_2var nested in modelo_3var) Prob > chi2 = estimates stats mo* Model Obs ll(null) ll(model) df AIC BIC modelo_3var modelo_2var Note: N=Obs used in calculating BIC; see [R] BIC note 24 12
13 Comparación modelos Se puede hacer con el logaritmo del cociente de verosimilitudes ilit (LCV), pero es más sencillo usar la opcion test parameters que usa el test de Wald, no el del LCV. Ambos test son asintóticamente equivalentes. Unidad de Bioestadística Clínica 25 Comparación de modelos (testparm). testparm tpodial ( 1) tpodial = 0 chi2( 1) = 5.75 Prob > chi2 =
14 Supervivencia estimada por Cox El modelo de Cox también se puede exp ( b X b X ) poner como St 1 1 k k () = S0 () t S 0 (t) es la supervivencia basal, pero estimada con todos los datos Survival Cox proportional hazards regression analysis time Kaplan-Meier survival estimates analysis time varón mujer sexorec = varon sexorec = mujer 27 Supervivencia estimada con Cox 28 14
15 Sesión práctica modelos de Cox (univar) Archivo curso_supervivencia Construir sendos modelos de Cox para analizar el efecto sobre la supervivencia del injerto Sexo del receptor (sexorec) Edad del receptor (edadr) Necrosis tubular aguda (nta) Tiempo en diálisis (tpodial) en años Grupo de tratamiento (Gtrata) Unidad de Bioestadística Clínica 29 Variables indicadoras (dummy) Modelos de regresión de Cox 15
16 Ejemplo Se quiere comparar la supervivencia a una cierta intervención quirúrgica en 3 hospitales. Se sigue en cada hospital a una muestra aleatoria de pacientes intervenidos y se obtienen los siguientes tiempos (en meses): Hosp A (0): 1, 3, 7, 8*, 12, 12, 15* Hosp B (1): 2, 2, 3, 8, 10, 10, 12*, 15 Hosp C (2): 1, 1, 3, 7, 10*, 12, 12, 14, 15* 31 Ejemplo Se puede analizar con Cox, pero se estaría asumiendo multiplicatividad Si codificamos Hospital A = 0 Hospital B = 1 Hospital C = 2 El HR para el Hospital C con respecto al Aes el cuadrado del HR del B. Es razonable esta asunción? 32 16
17 Ejemplo mortalidad hospitales Kaplan-Meier survival estimates analysis time hospital = A hospital = C hospital = B 33 Ejemplo mortalidad hospitales No. of subjects = 24 Number of obs = 24 No. of failures = 19 Time at risk = 195 LR chi2(1) = Log likelihood = Prob > chi2 = hospital
18 Variables dummy La solución es la misma que en los otros modelos de regresión; creartantas variables como categorías menos 1, denominadas variables indicadoras con el siguiente esquema: 35 Variables dummy A B C Hospital A Hospital B Hospital C Si dejamos fuera la variable A usamos como referencia ese Hospital æ ht () ö El modelo queda: ln = a1b+ a2c... ç çèh () t ø Qué significan los coeficientes?
19 Variables dummy A B C Hospital A Hospital B Hospital C Hos. A ht () ln 0 h0() t Hos. B ht () ln 1 h0() t æ ht () ö ln a1b a2c... ç çèh () t ø = e e 2 h(t) = h 0 (t) HR Hos. B respecto al A HR Hos. C respecto al A 37 Ejemplo Analizar los datos del ejemplo con regresión d C d ibl "d " de Cox, usando variables "dummy" 38 19
20 Variables indicadoras en Stata 39 Ejemplo con variables indicadoras No. of subjects = 24 Number of obs = 24 No. of failures = 19 Time at risk = 195 LR chi2(2) = 0.35 Log likelihood = Prob > chi2 = hospital
21 Otro ejemplo (hospitales_2.dta) Datos también de mortalidad de 3 hospitales Kaplan-Meier survival estimates analysis time hospital = A hospital = C hospital = B Log-rank test for equality of survivor functions Events Events hospital observed expected A B C Total chi2(2) = Pr>chi2 = Analizado con Cox Sin dummy e at s 5 5 LR chi2(1) = 0.05 Log likelihood = Prob > chi2 = hospital Con dummy Time at risk 525 LR chi2(2) = Log likelihood = Prob > chi2 = hospital testparm 1.hospital 2.hospital ( 1) 1.hospital = 0 ( 2) 2.hospital = 0 chi2( 2) = Prob > chi2 =
22 Cambiar la referencia: b#.hospital LR chi2(2) = Log likelihood = Prob > chi2 = hospital HR con respecto al nivel hospital = 0 (Hospital A) Si cambiamos la referencia al hospital B stcox b1.hospital LR chi2(2) = Log likelihood = Prob > chi2 = hospital Práctica Utilizando los datos de la cohorte de t l t l transplantes renales: Analizar el efecto del tratamiento mediante Kaplan Meier y mediante el modelo de Cox. Valorar la adecuación de usar variables indicadoras
Diagnósticos regresión
Diagnósticos regresión de Cox Víctor Abraira Unidad de Bioestadística Clínica. IRYCIS 1 Diagnósticos de regresión Se trata de evaluar lo adecuado del modelo. Hay tres aspectos: Asunciones Bondad de ajuste
Más detallesOdds = = e. UD1: El modelo de regresión logística 1. 1 e
RE2. Regresión logística binaria, multinomial, de Poisson y binomial negativa Curso 204/5 Solución resumida de la prueba de evaluación Unidad didáctica (D) La regresión logística puede utilizarse en cualquiera
Más detallesCurso online de Supervivencia y Regresión Lineal, Logística y de Cox 2018
MANUAL DE IDENTIDAD VSUAL CORPORATIVA PROGRAMA: Curso online de Supervivencia y Regresión Lineal, Logística y de Cox 2018 Departamento de Formación Médica Continuada (ICOMEM) SUPERVIVENCIA Y REGRESIÓN
Más detallesSesión 8 - Modelos con datos de conteo
Sesión 8 - Modelos con datos de conteo Manuel Barrón 5 de Julio de 2010 1 El modelo de regresión de Poisson 1.1 Estimación e inferencia En algunos contextos querremos analizar situaciones en las que el
Más detallesEstadística Computacional. M. González
Estadística Computacional M. González Facultad de Medicina. Universidad de Extremadura M. González (UEx) Estadística Computacional 1 / 23 Índice Modelos Lineales Generalizados Bioensayos: Modelos Dosis-Respuesta
Más detallesEl modelo de azar proporcional: la regresión de Cox
El modelo de azar proporcional: la regresión de Cox Alfonso Luis Palmer Pol y Jose Maria Losilla Vidal El Análisis de la Supervivencia (Palmer, 1988) engloba una variedad de técnicas estadísticas que permiten
Más detallesEn cada una de las tablas de esta sección se incluyen también los comandos de Stata con los cuales se obtuvo la información.
Apéndice 1. Tablas y Anexos En cada una de las tablas de esta sección se incluyen también los comandos de Stata con los cuales se obtuvo la información. Esta es la tabla de correlaciones entre variables
Más detallesAnálisis Estadístico. Dra. Adela Del Carpio Rivera Doctor En Medicina
Análisis Estadístico Dra. Adela Del Carpio Rivera Doctor En Medicina ANTE LA GRAN CANTIDAD DE INFORMACIÓN Debemos saber discernir entre: Cuál es la información que necesitamos Si el estudio tiene real
Más detallesTEMA VI ANÁLISIS DE SUPERVIVENCIA
TEMA VI ANÁLISIS DE SUPERVIVENCIA LECTURA OBLIGATORIA Análisis de Supervivencia. En Rial, A. y Varela, J. (2008). Estadística Práctica para la Investigación en Ciencias de la Salud. Coruña: Netbiblo. Páginas
Más detallesModelo 1: MCO, usando las observaciones 1994: :03 (T = 218) Variable dependiente: INFLACION
UNIVERSIDAD NACIONAL DE PIURA FACULTAD DE ECONOMIA DPTO. ACAD. DE ECONOMIA 1º El investigador especifica el modelo siguiente: EXAMEN PARCIAL DE ECONOMETRIA I Se le pide estimar el modelo por el método
Más detallesMétodos estadísticos en estudios de supervivencia
Métodos estadísticos en estudios de supervivencia Belén San José, Elia Pérez y Rosario Madero Sección de Bioestadística. Hospital Universitario La Paz. Madrid. España. bjose.hulp@salud.madrid.org; epefer@gmail.com;
Más detallesINTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión
INTERPRETACIÓN DE LA REGRESIÓN Este gráfico muestra el salario por hora de 570 individuos. 1 Interpretación de la regresión. regresión Salario-Estudios Source SS df MS Number of obs = 570 ---------+------------------------------
Más detallesUNIVERSIDAD DE ANTIOQUIA FACULTAD NACIONAL DE SALUD PÚBLICA Héctor Abad Gómez ldbello@saludpublica.udea.edu.co Facultad Nacional de Salud Pública Héctor Abad Gómez www.leondariobello.com www.ciemonline.info/moodle
Más detallesAnálisis multivariantes
GUIA DIDACTICA DEL ALUMNO Análisis multivariantes Docentes: Dra. Francisca Rius Profesora de Bioestadística Facultad de Medicina Universidad de Málaga Dr. Ramón Hidalgo Sánchez Servicio Central de Informática
Más detallesDepartamento de Medicina Preventiva y Salud Publica e Historia de la Ciencia. Universidad Complutense de Madrid. SPSS para windows.
TEMA 13 REGRESIÓN LOGÍSTICA Es un tipo de análisis de regresión en el que la variable dependiente no es continua, sino dicotómica, mientras que las variables independientes pueden ser cuantitativas o cualitativas.
Más detallesSolución Taller No. 5 Econometría II Prof. Bernal
Solución Taller No. 5 Econometría - 7 II Prof. Bernal. a. Los resultados de la estimación son los siguientes (no hay que olvidar que las variables precio hay que transformarlas a logaritmos):. gen lpreciov
Más detallesUNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS. Modelos Probit y Tobit aplicados al estudio de la oferta laboral de los trabajadores secundarios en el Perú
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS FACULTAD DE CIENCIAS MATEMÁTICAS E.A.P. DE. ESTADÍSTICA Modelos Probit y Tobit aplicados al estudio de la oferta laboral de los trabajadores secundarios en el Perú
Más detallesPrácticas de Fiabilidad
Prácticas de Fiabilidad Práctica : Objetivo: En esta práctica se van a ajustar datos censurados. De los tres tipos de censura existentes se va a trabajar con la censura aleatoria, es decir, el proceso
Más detallesTEMA V ANÁLISIS DE REGRESIÓN LOGÍSTICA
TEMA V ANÁLISIS DE REGRESIÓN LOGÍSTICA LECTURA OBLIGATORIA Regresión Logística. En Rial, A. y Varela, J. (2008). Estadística Práctica para la Investigación en Ciencias de la Salud. Coruña: Netbiblo. Páginas
Más detallesEJERCICIOS CAPITULO 9. GUJARATI-PORTER (2010)
EJERCICIOS CAPITULO 9. GUJARATI-PORTER (2010) 9.21 a) clear edit tsset year list +-------------------------------+ year savings income dum ------------------------------- 1. 1970 61 727.1 0 2. 1971 68.6
Más detallesPronósticos, Series de Tiempo y Regresión. Capítulo 4: Regresión Lineal Múltiple
Pronósticos, Series de Tiempo y Regresión Capítulo 4: Regresión Lineal Múltiple Temas Modelo de regresión lineal múltiple Estimaciones de Mínimos Cuadrados Ordinarios (MCO); estimación puntual y predicción
Más detallesGuía docente de la asignatura
Guía docente de la asignatura Asignatura Materia Análisis de Supervivencia 2- Técnicas Estadísticas Módulo Titulación Grado en Estadística Plan 412 Código 47110 Periodo de impartición C2 Tipo/Carácter
Más detallesNota 2. Estadísticas avanzadas Muestreos Complejos, R. Linear, R.Logística y Análisis de Supervivencia
Page 1 of 7 Nota 2 Estadísticas avanzadas Muestreos Complejos, R. Linear, R.Logística y Análisis de Supervivencia Objetivos Nivel Duración Necesidades Requisitos Características Esta nota proporciona información
Más detallesAnálisis de datos de supervivencia
GUIA DIDÁCTICA DEL ALUMNO Análisis de datos de supervivencia Docentes: Dra. Francisca Rius Profesora de Bioestadística Facultad de Medicina Universidad de Málaga GUIA DIDACTICA DEL ALUMNO DATOS GENERALES
Más detallesUniversidad de la República, Facultad de Ciencias Económicas y Administración.
Universidad de la República, Facultad de Ciencias Económicas y Administración. ECONOMETRIA II- CURSO 2010 Practica 5 MODELOS DE VARIABLE DEPENDIENTE TRUNCADA CENSURADA, MODELOS DE SELECTIVIDAD, MODELOS
Más detallesJavier Roca Pardiñas Prof. Titular de Universidade Dpto. Estatística e I.O. Universidade de Vigo
Javier Roca Pardiñas Prof. Titular de Universidade Dpto. Estatística e I.O. Universidade de Vigo 30/10/2013 Modelos Logísticos de Regresión de Respuesta Binaria Índice 1. Planteamiento de modelo 2. Estimación
Más detallesAnálisis de supervivencia: el estimador de Kaplan-Meier. Miguel Rodríguez Barranco Granada, 27 de marzo de 2017
Análisis de supervivencia: el estimador de Kaplan-Meier Miguel Rodríguez Barranco Granada, 27 de marzo de 2017 INTRODUCCIÓN Survival analysis Time-to-event data analysis Lifetime data analysis Reliability
Más detallesMODELO VAR ARGENTINA
MODELO VAR ARGENTINA 1.-INTRODUCCIÓN Argentina es una de las economías más grandes de América Latina. En los últimos años, Argentina priorizó promover un desarrollo económico con inclusión social. El país
Más detallesModelación estadística: La regresión lineal simple
Modelación estadística: La regresión lineal simple Gabriel Cavada Ch. 1 1 División de Bioestadística, Escuela de Salud Pública, Universidad de Chile. Statistical modeling: Simple linear regression Cuando
Más detallesAnálisis de estudios de cohortes en Ciencias de la P005/10. Salud (modelos regresión de Poisson y de Cox)
Análisis de estudios de cohortes en Ciencias de la P005/10 Salud (modelos regresión de Poisson y de Cox) Fecha de aprobación de programa: Marzo 2012 Fechas curso: 4 y 5 de Junio de 2012 Horario: Mañana
Más detallesRevisión sistemática y metanálisis de datos individuales de pacientes. Alfonso Muriel Unidad de Bioestadística Clínica
Revisión sistemática y metanálisis de datos individuales de pacientes Alfonso Muriel Unidad de Bioestadística Clínica 30 de mayo del 2014 Índice Revisión sistemática de datos individuales de pacientes(ipd)
Más detallesFACULTAD DE MEDICINA. UNIVERSIDAD SAN PABLO-CEU
Guía Docente MATERIA: ESTADÍSTICA APLICADA A LA INVESTIGACIÓN CLÍNICA: BASES, FUNDAMENTOS Y APLICACIONES PRÁCTICAS SEMESTRE: 1 MÁSTER: MÁSTER UNIVERSITARIO EN INVESTIGACIÓN CLÍNICA Y APLICADA EN ONCOLOGÍA
Más detallesAnálisis de datos Categóricos
Regresión logística Universidad Nacional Agraria La Molina 2016-1 Regresión logística simple Interpretación de parámetros Inferencia Para una variable aleatoria respuesta Y y una variable explicativa X,
Más detallesGUÍA DOCENTE DE LA ASIGNATURA
Grado en Medicina GUÍA DOCENTE DE LA ASIGNATURA Bioestadística Aplicada y Uso de Software Científico Curso Académico 20-202 . DATOS IDENTIFICATIVOS DE LA ASIGNATURA Título/s Centro Módulo / materia Código
Más detallesLectura crítica de ensayos clínicos. V. Abraira Unidad de Bioestadística Clínica Mayo 2014
Lectura crítica de ensayos clínicos Unidad de Bioestadística Clínica Mayo 2014 Objetivos del taller Al final del taller serás capaz de: 1. Comprender la necesidad de la lectura crítica 2. Entender los
Más detallesIntroducción a la Econometría Capítulo 4
Introducción a la Econometría Capítulo 4 Ezequiel Uriel Jiménez Universidad de Valencia Valencia, Septiembre de 2013 4.1 El contraste de hipótesis: una panorámica 4.2 Contraste de hipótesis utilizando
Más detallesPUNTOS DE CAMBIO EN LA FUNCIÓN DE RIESGO
PUNTOS DE CAMBIO EN LA FUNCIÓN DE RIESGO Guadalupe Yoanna Arenas Martínez, Francisco Solano Tajonar Sanabria a, Hugo Cruz Suárez a, Fernando Velasco Luna a. a Facultad de Ciencias Fisico Matematicas, BUAP,
Más detallesModelo de Regresión Lineal Múltiple. Multicolinealidad. Dr. Víctor Aguirre Torres ITAM
Modelo de Regresión Lineal Múltiple. Multicolinealidad Dr. Víctor Aguirre Torres ITAM Temas Qué es la multicolinealidad? Consecuencias sobre la estimación. Detección. Algunas contramedidas. Guión 19. Dr.
Más detallesLA EDAD DE INICIO ANÁLISIS DE SUPERVIVENCIA PARA LA ESTIMACIÓN DE EN EL CONSUMO DE ALCOHOL, MARIHUANA Y COCAÍNA EN POBLACIÓN GENERAL ARGENTINA 2010
ANÁLISIS DE SUPERVIVENCIA PARA LA ESTIMACIÓN DE LA EDAD DE INICIO EN EL CONSUMO DE ALCOHOL, MARIHUANA Y COCAÍNA EN POBLACIÓN GENERAL ARGENTINA Octubre 12 OBSERVATORIO ARGENTINO DE DROGAS ANÁLISIS DE SUPERVIVENCIA
Más detallesUniversidad Nacional Autónoma de México Facultad de Psicología
Universidad Nacional Autónoma de México Facultad de Psicología PROGRAMA DE ASIGNATURA Nombre de la asignatura Clave Semestre Estadística Inferencial 0186 4 Número de créditos 8 Horas teoría 4 Horas práctica
Más detallesModelo de Regresión Lineal Múltiple. Normalidad. Dr. Víctor Aguirre Torres ITAM
Modelo de Regresión Lineal Múltiple. Normalidad Dr. Víctor Aguirre Torres ITAM Temas Porqué ocurre falta de normalidad Consecuencias Detección Enfoques para manejarla Guión 18. Dr. V. Aguirre Porqué ocurre?
Más detallesContrastando Hipótesis después de la Estimación Probit
Contrastando Hipótesis después de la Estimación Probit Microeconomía Cuantitativa R. Mora Departmento of Economía Universidad Carlos III de Madrid Esquema Introducción 1 Introducción 2 3 El modelo Probit
Más detallesTEMA 4 Regresión logística
TEMA 4 Regresión logística José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Esquema del tema Variable respuesta dicotómica. Ejemplo. El
Más detallesFactores que condicionan la Probabilidad de Cotizar a las pensiones de Retiro en México. Resumen
Factores que condicionan la Probabilidad de Cotizar a las pensiones de Retiro en México Marco Hernando Albarrán Núñez 1 Resumen El presente trabajo intenta mostrar evidencia empírica de los determinantes
Más detallesEPIDEMIOLOGÍA. 5. Historia natural de la enfermedad: Formas de establecer el pronóstico.
EPIDEMIOLOGÍA 5. Historia natural de la enfermedad: Formas de establecer el pronóstico. HISTORIA NATURAL DE LA ENFERMEDAD. HISTORIA NATURAL DE LA ENFERMEDAD Tabla 1. Diferencias entre Factores de Riesgo
Más detallesFIABILIDAD (VI): TESTS DE VIDA ACELERADA
FIABILIDAD (VI): TESTS DE VIDA ACELERADA Autores: Ángel A. Juan Pérez (ajuanp@uoc.edu), Rafael García Martín (rgarciamart@uoc.edu). RELACIÓN CON OTROS MATH-BLOCS Este math-block forma parte de una serie
Más detallesSOLUCION TALLER 1 SOLUCION PUNTO 1. - Función de producción cuadrática. Se espera que: >0 porque x2 es un insumo de producción
SOLUCION TALLER 1 SOLUCION PUNTO 1 - Función de producción cuadrática Se espera que: >0 porque x1 es un insumo de producción >0 porque x2 es un insumo de producción
Más detallesSección Teórica. , cuya información se presenta a continuación. Completar las celdas necesarias para responder a las preguntas 1 a 5.
UNAM Facultad de Economía Licenciatura en Economía Examen parcial de Introducción a la Econometría Noviembre 10, 2015 AAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAA
Más detallesFundamentos estadísticos del ensayo clínico, Interpretación de resultados. M José Escudero Barea. Gerente Dpto. Gestión de Datos y Estadística.
Fundamentos estadísticos del ensayo clínico, Interpretación de resultados. M José Escudero Barea. Gerente Dpto. Gestión de Datos y Estadística. Grupo Español de Investigación en Cáncer de Mama (GEICAM).
Más detallesANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Más detallesAnálisis de la Quiebra Empresarial de Pequeñas y Medianas Empresas en Ecuador ( ). Una aplicación del Modelo de Duración de Cox (1972).
Análisis de la Quiebra Empresarial de Pequeñas y Medianas Empresas en Ecuador (2006-2010). Una aplicación del Modelo de Duración de Cox (1972). Andrea Paola Alcívar Vila (1).Econ. Alexander Miguel Saines
Más detallesFIABILIDAD (VII): MODELOS DE REGRESIÓN PARA OBSERVACIONES CENSURADAS
FIABILIDAD (VII): MODELOS DE REGRESIÓN PARA OBSERVACIONES CENSURADAS Autores: Ángel A. Juan Pérez (ajuanp@uoc.edu), Rafael García Martín (rgarciamart@uoc.edu). RELACIÓN CON OTROS MATH-BLOCS Este math-block
Más detallesINTERVALOS DE CONFIANZA
INTERVALOS DE CONFIANZA condicional en que!! sea verdadero hipótesis nula H :!!.5%.5%! -.96sd! -sd!! +sd! +.96sd Si el nivel de significación es 5%, la estimación obtenida (círculo pequeño) no nos permitiría
Más detallesJavier Roca Pardiñas Prof. Titular de Universidade Dpto. Estatística e I.O. Universidade de Vigo
Javier Roca Pardiñas Prof. Titular de Universidade Dpto. Estatística e I.O. Universidade de Vigo 30/10/2013 Modelos Lineales de Regresión Índice 1. Planteamiento de modelo Caso práctico 2. Estimación y
Más detallesEVALUACIÓN DE IMPACTOS EN HIDROCARBUROS, MEDIANTE LA ECONOMETRÍA. M.Sc. Carlos I. Palomares Palomares Gerente de Operaciones GPSAC
EVALUACIÓN DE IMPACTOS EN HIDROCARBUROS, MEDIANTE LA ECONOMETRÍA M.Sc. Carlos I. Palomares Palomares Gerente de Operaciones GPSAC Problema Es evidente, según los entendidos, que desde la década pasada,
Más detallesBeatriz Sánchez Reyes. 22 de septiembre de 2010
Regresión cuantílica Beatriz Sánchez Reyes 22 de septiembre de 2010 Índice Definición de cuantil Regresión cuantílica - Estimación - Inferencia Regresión mediana (Ejemplo) Regresión cuartílica (Ejemplo)
Más detallesEstadística II Tema 4. Regresión lineal simple. Curso 2009/10
Estadística II Tema 4. Regresión lineal simple Curso 009/10 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores
Más detallesCURSO: ANALISIS ESTADISTICO DE RIESGOS
MANAGEMENT CONSULTORES CURSO: ANALISIS ESTADISTICO DE RIESGOS Cnel. R.L. Falcón 1435 C1406GNC 35 Buenos Aires, Argentina Tel.: 054-11-15-5468-3369 Fax: 054-11-4433-4202 Mail: acaminos@mgmconsultores.com.ar
Más detallesVarianza del error no constante: heteroscedasticidad. Fortino Vela Peón Universidad Autónoma Metropolitana
Varianza del error no constante: heteroscedasticidad Fortino Vela Peón Universidad Autónoma Metropolitana fvela@correo.xoc.uam.mx Octubre, 2010 11/08/2011 México, D. F. 1 Tipos de residuales En ocasiones
Más detallesEstimación de la elasticidad de la curva de salarios en Bolivia
Estimación de la elasticidad de la curva de salarios en Bolivia Stefanie Rakela stefanierakela@gmail.com Rolando Gonzales rgonzales@udape.gob.bo Agosto, 2012 Antecedentes Se requiere una estimación de
Más detallesTema 4: Otros Métodos de Análisis de Datos Cuantitativos y Cualitativos
Tema 4: Otros Métodos de Análisis de Datos Cuantitativos y Cualitativos Metodología de la Investigación en Fisioterapia Miguel González Velasco Departamento de Matemáticas. Universidad de Extremadura M.
Más detallesCURSO: ECONOMETRÍA Y ANÁLISIS DE POLÍTICAS FISCALES INSTRUCTOR: HORACIO CATALÁN ALONSO. Especificación de los modelos VAR
CURSO: ECONOMETRÍA Y ANÁLISIS DE POLÍTICAS FISCALES INSTRUCTOR: HORACIO CATALÁN ALONSO Especificación de los modelos VAR Modelos VAR es una extensión de un AR(p) Permiten un mejor entendimiento de la
Más detallesSUPERVIVENCIA DEL TRASPLANTE RENAL Y FACTORES ASOCIADOS
SUPERVIVENCIA DEL TRASPLANTE RENAL Y FACTORES ASOCIADOS Clara Inés Flórez Almonacid Servicio de Nefrología. Hospital Universitario Reina Sofía de Córdoba INTRODUCCIÓN El trasplante renal representa en
Más detallesParte de las notas tomadas de: Prof. Edgar Acuña UNIVERSIDAD DE PUERTO RICO RECINTO UNIVERSITARIO DE MAYAGUEZ
Estadística stica No Paramétrica Parte de las notas tomadas de: Prof. Edgar Acuña http://math.uprm math.uprm/edu/~edgar UNIVERSIDAD DE PUERTO RICO RECINTO UNIVERSITARIO DE MAYAGUEZ METODOS ESTADISTICOS
Más detallesAnálisis Estadístico
Universidad Torcuato Di Tella Análisis Estadístico Examen Final 05/07/2017 TEMA 1 Nombre y Apellido: Número de legajo: Instrucciones El examen tiene dos partes. La parte A (40 puntos) contiene 10 preguntas
Más detallesHospital Universitario Dr. Peset Valencia, 20 de octubre de 2011.
EFICIENCIA DE BEVACIZUMAB IRINOTECÁN FLUOROURACILO VERSUS IRINOTECÁN FLUOROURACILO EN PRIMERA LÍNEA DE CARCINOMA COLORRECTAL METASTÁSICO Ruiz Millo O. 1, Sendra García A. 1, Albert Marí A. 1, González
Más detallesGUIA DOCENTE DE LA ASIGNATURA ANÁLISIS ESTADÍSTICO CON ORDENADOR DE DATOS MÉDICOS Curso (Fecha última actualización: 28/06/16)
GUIA DOCENTE DE LA ASIGNATURA ANÁLISIS ESTADÍSTICO CON ORDENADOR DE DATOS MÉDICOS Curso 2016-2017 (Fecha última actualización: 28/06/16) MÓDULO MATERIA CURSO SEMESTRE CRÉDITOS TIPO VI.- Complementos de
Más detallesModelos de regresión multinivel
Modelos de regresión multinivel Víctor Abraira Unidad de Bioestadística Clínica Marzo 014 Objetivos Conocer los fundamentos y posibilidades de aplicación de los modelos de regresión multinivel en estudios
Más detallesCristina Domingo Rico Directora médico de la Comarca de Atención primaria Ezkerraldea Meatzaldea Enkarterri
Cristina Domingo Rico Directora médico de la Comarca de Atención primaria Ezkerraldea Meatzaldea Enkarterri Ezkerraldea Meatzaldea Enkarterri Población: 171.788 2014 431 profesionales 11 Unidades de AP
Más detallesFunciones de Regresión No Lineales (SW Cap. 6)
Funciones de Regresión No Lineales (SW Cap. 6) Todo anteriormente ha sido lineal en las X s La aproximación de que la función de regresión es lineal puede ser satisfactoria para algunas variables pero
Más detalles2. ESTADÍSTICA DESCRIPTIVA 15 Estadística descriptiva.. Variables aleatorias Descripción de variables cuantitativas
" INDICE PRÓLOGO... XXIII PREFACIO GUÍA DE LECTURA XXV XXIX 1. INTRODUCCIÓN A LA ESTADÍSTICA 1 1.1. Estadística 1 1.2. Historia 3 1.3. Población y muestra 4 1.4. Estadística aplicada 7 1.5. Aplicaciones
Más detallesBIOSESTADÍSTICA AMIGABLE
BIOSESTADÍSTICA AMIGABLE EJEMPLO: Ficha solicitud Colección Reserva UNIVERSIDAD AUSTRAL DE CHILE SISTEMA DE BIBLIOTECAS Clasificación: 574.015195 MAR 2001 Vol. y/o Copia: Apellido Autor: Título: C. 1 (SEGÚN
Más detallesIntervalos de confianza con STATGRAPHICS
Intervalos de confianza con STATGRAPHICS Ficheros empleados: TiempoaccesoWeb.sf3 ; TiempoBucle.sf3; 1. Ejemplo 1: Tiempo de acceso a una página Web Se desean construir intervalos de confianza para la media
Más detallesModelo Lineal Generalizado GAMMA. Distribución gamma: Otra parametrización mediante el parámetro de forma y la media:
Modelo Lineal Generalizado GAMMA Distribución gamma: Otra parametrización mediante el parámetro de forma y la media: La distribución gamma es de tipo exponencial: 1 Supongamos que se dispone de r subpoblaciones
Más detallesESTUDIO DEL FALLO PRIMARIO POSTTRASPLANTE CARDIACO DEL INJERTO. Hospital Universitario Reina Sofía. Córdoba. Jefe de Sección de Cardiología
ESTUDIO DEL FALLO PRIMARIO DEL INJERTO POSTTRASPLANTE CARDIACO José María Arizón del Prado Jefe de Sección de Cardiología Hospital Universitario Reina Sofía. Córdoba REGISTRO DE CÓRDOBA: NÚMERO DE TRASPLANTES
Más detallesPresentación de la tercera edición Autores
ÍNDICE DE CAPÍTULOS Presentación de la tercera edición Autores 1 Introducción a los métodos de la epidemiología y la bioestadística... 1 M.A. Martínez-González, A. Sánchez-Villegas, J. de Irala 1.1. Estadística,
Más detallesHeterocedasticidad en modelos de regresión ordinal con R
Heterocedasticidad en modelos de regresión ordinal con R José Luis Cañadas Reche Instituto de Estudios Sociales Avanzados IESA-CSIC Noviembre 2011 Descripción del modelo Ajuste del modelo con Modelo logit
Más detallesIntroducción a la Odontología. Formación Básica. Materia Básica Estadística 1º 1º 6. Francisco Requena Guerrero
GUIA DOCENTE DE LA ASIGNATURA ESTADÍSTICA Curso 2014-2015 (Fecha última actualización: 04/06/14) MÓDULO MATERIA CURSO SEMESTRE CRÉDITOS TIPO Introducción a la Odontología Materia Básica Estadística 1º
Más detallesMODELOS GRÁFICOS Y DATOS FALTANTES
MODELOS GRÁFICOS Y DATOS FALTANTES AIDA E. FERNADEZ 1 y SFER, ANA M. 2 1 Cátedra de Matemática II, Facultad de Bioquímica, Química y Farmacia. Universidad Nacional de Tucumán. Correo: afernandez@fbqf.unt.edu.ar
Más detalles1/9. Formación Cursos y Seminarios de Bioestadística. Características. Cursos de estadística presenciales para no estadísticos.
1/9 CURSOS Cursos de estadística presenciales para no estadísticos. 1. Introducción a la bioestadística 2. Cálculo del tamaño muestral 3. Métodos multivariantes en Biomedicina 4. Análisis de datos en Meta-análisis
Más detallesDETERMINANTES DE LOS INGRESOS
DETERMINANTES DE LOS INGRESOS Mariana Marchionni mariana@depeco.econo.unlp.edu.ar CEDLAS Universidad Nacional de La Plata Ecuaciones de Mincer (1974) 1 (1) ln Y = α + β educación + γ experiencia laboral
Más detallesModelación de los tiempos de supervivencia en pacientes con leucemia
Tlamati Sabiduría, Volumen 7 Número Especial 2 (2016) 4 Encuentro de Jóvenes Investigadores CONACYT Acapulco, Guerrero 21, 21 y 23 de septiembre 2016 Memorias Modelación de los tiempos de supervivencia
Más detallesESTADÍSTICA. Materia Básica Estadística. Formación Básica. Introducción a la Odontología 1º 1º 6
GUIA DOCENTE DE LA ASIGNATURA ESTADÍSTICA MÓDULO MATERIA CURSO SEMESTRE CRÉDITOS TIPO Introducción a la Odontología Materia Básica Estadística 1º 1º 6 Formación Básica PROFESOR(ES) DIRECCIÓN COMPLETA DE
Más detallesAnálisis de la probabilidad condicional de incumplimiento de los mayores deudores privados del sistema financiero colombiano
Análisis de la probabilidad condicional de incumplimiento de los mayores deudores privados del sistema financiero colombiano I. Introducción José Eduardo Gómez González Inés Paola Orozco Hinojosa Nancy
Más detallesTema 13: Regresión Logística p. 1/20 Tema 13: Regresión Logística Abdelmalik Moujahid, Iñaki Inza y Pedro Larrañaga Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad del
Más detallesINGENIERÍA EN MANTENIMIENTO INDUSTRIAL
HOJA DE ASIGNATURA CON DESGLOSE DE UNIDADES TEMÁTICAS 1. Nombre de la asignatura Estadística Industrial 2. Competencias Diseñar estrategias de mantenimiento mediante el análisis de factores humanos, tecnológicos,
Más detalles. gen princ=(faminc-ww*whrs)/1000. . probit lfp wa kl6 k618 we princ
UCEMA ECONOMETRIA APLICADA - Probit- El archivo MROZ.xls tiene datos de un un estudio clásico donde se trata de estimar una ecuación de salarios para mujeres. La primer etapa del estudio es determinar
Más detallesEJC 15: DATOS PANEL. PRIMERA DIFERENCIA-EFECTOS FIJOS-EFECTOS ALEATORIOS Wooldridge, pags. 419, 441, 449, 452.
EJC 15: DATOS PANEL. PRIMERA DIFERENCIA-EFECTOS FIJOS-EFECTOS ALEATORIOS Wooldridge, pags. 419, 441, 449, 452. En este ejemplo se presentan los estimadores de primera diferencia, de efectos fijos y de
Más detallesLos autores declaran no existir conflicto de intereses en esta comunicación
Enfermedades raras del sistema nervioso y de los órganos de los sentidos en Aragón 2010-2012. Estudio descriptivo y validación de casos en Aragón con Esclerosis Lateral Amiotrófica (ELA) 2003-2013 utilizando
Más detallesComparación de intervalos de confianza para la función de supervivencia con censura a derecha
Revista Colombiana de Estadística Junio 2011, volumen 34, no. 1, pp. 197 a 209 Comparación de intervalos de confianza para la función de supervivencia con censura a derecha Comparison of Confidence Intervals
Más detalles20/01/2011. Jornada previa. 24 de Enero de 2011 Rosa Muñoz de la Corte
Jornada previa ANÁLISIS DE SUPERVIVENCIA 24 de Enero de 2011 Rosa Muñoz de la Corte 1 INTRODUCCIÓN Estudios de seguimiento: Ventajas: Mayor precisión sobre la evolución de los sujetos Desventajas: Mayor
Más detallesTEMAS DE ESTUDIO PARA EL EXAMEN DE ADMISIÓN AL DOCTORADO EN CIENCIAS DE LA SALUD EPIDEMIOLOGÍA
TEMAS DE ESTUDIO PARA EL EXAMEN DE ADMISIÓN AL DOCTORADO EN CIENCIAS DE LA SALUD EPIDEMIOLOGÍA Se presentan los temas básicos en las tres áreas de conocimiento que debe dominar un aspirante al programa
Más detallesEjercicio 1 (20 puntos)
ESTADISTICA Y SUS APLICACIONES EN CIENCIAS SOCIALES. Examen Montevideo, 15 de diciembre de 2015. Nombre: C.I.: EXAMEN Libre Reglamentado El examen consta de dos partes. La primera parte debe ser realizada
Más detallesCapítulo 8. Selección de variables Introducción
Capítulo 8 Selección de variables 8.1. Introducción En muchos problemas de regresión es posible considerar un número importante de variables predictoras. Un empresario podría estudiar los factores que
Más detallesAnálisis estadístico de los factores de riesgo que influyen en la enfermedad Angina de Pecho. Flores Manrique, Luz CAPÍTULO IV ANALISIS DE LOS DATOS
CAPÍTULO IV ANALISIS DE LOS DATOS 4.1 DESCRIPCIÓN DE LOS DATOS Como ya se mencionó anteriormente, el tamaño de la población con la que se está trabajando es de 149 observaciones, 69 de ellas presentan
Más detallesInseguridad pública y migración: un análisis a nivel hogar
Inseguridad pública y migración: un análisis a nivel hogar Liliana Meza González Telésforo Ramírez García San Cristóbal de las Casas, Chiapas 14 de Noviembre de 2013 Objetivo del trabajo Indagar si la
Más detalles