Selección y estimación de variables bayesianas en modelos conjuntos semiparamétricos de datos longitudinales multivariados y supervivencia

Este artículo presenta un nuevo modelo conjunto semiparamétrico para datos longitudinales multivariados y de supervivencia (SJMLS) al relajar la suposición de normalidad de los resultados longitudinales, dejando las funciones de riesgo base no especificadas y permitiendo que la historia de la respuesta longitudinal tenga un efecto en el riesgo de abandono. Usando splines penalizados bayesianos para aproximar la función de riesgo base no especificada y combinando el muestreador de Gibbs con el algoritmo de Metropolis-Hastings, proponemos un método de Lasso bayesiano (BLasso) para estimar simultáneamente parámetros desconocidos y seleccionar covariables importantes en SJMLS. Se llevan a cabo estudios de simulación para investigar el rendimiento de muestra finita de las técnicas propuestas. Se utiliza un ejemplo del Grupo Internacional de Estudios sobre Cáncer de Mama (IBCSG) para ilustrar las metodologías propuestas.