Uso de Ecuaciones de Estimación Generalizadas para el Análisis de Datos Longitudinales

El enfoque de ecuaciones de estimación generalizadas (EEG) de Zeger y Liang facilita el análisis de datos recogidos en diseños longitudinales, anidados o de medidas repetidas. Las EEG utilizan el modelo lineal generalizado para estimar parámetros de regresión más eficientes y no sesgados en comparación con la regresión de mínimos cuadrados ordinarios, en parte porque permiten la especificación de una matriz de correlación de trabajo que tiene en cuenta la forma de la correlación dentro del sujeto de las respuestas en variables dependientes de muchas distribuciones diferentes, incluyendo normal, binomial y Poisson. El autor explica brevemente la teoría detrás de las EEG y sus propiedades estadísticas beneficiosas y limitaciones, y compara las EEG con enfoques subóptimos para el análisis de datos longitudinales a través de dos ejemplos. La primera demostración aplica EEG al análisis de datos de un estudio de laboratorio longitudinal con una variable de respuesta contabilizada; la segunda demostración aplica EEG al análisis de datos con una variable de respuesta distribuida normalmente de sujetos anidados dentro de oficinas sucursales de una organización.