Un enfoque de dos etapas para modelos conjuntos bayesianos: reduciendo la complejidad mientras se mantiene la precisión

Resumen Varios modelos conjuntos para datos longitudinales y de supervivencia han sido propuestos en los últimos años. En particular, muchos autores han preferido emplear el enfoque bayesiano para modelar estructuras más complejas, hacer predicciones dinámicas o usar promediado de modelos. Sin embargo, los métodos de Monte Carlo por cadenas de Markov son computacionalmente muy exigentes y pueden sufrir problemas de convergencia, especialmente para modelos complejos con efectos aleatorios, que es el caso de la mayoría de los modelos conjuntos. Estos problemas pueden ser superados al estimar los parámetros de cada submodelo por separado, lo que conduce a una reducción natural en la complejidad de la modelización conjunta, pero a menudo produce estimaciones sesgadas. Por lo tanto, proponemos un nuevo enfoque de dos etapas que utiliza las estimaciones del submodelo longitudinal para especificar una distribución a priori informativa para los efectos aleatorios al estimarlos dentro del submodelo de supervivencia. Además, como mecanismo de corrección de sesgo, incorporamos la función de verosimilitud longitudinal en la segunda etapa, donde sus efectos fijos se establecen de acuerdo con la estimación utilizando solo el submodelo longitudinal. Basado en estudios de simulación y aplicaciones reales, comparamos empíricamente nuestra propuesta con la especificación conjunta y enfoques estándar de dos etapas considerando diferentes tipos de respuestas longitudinales (continuas, de conteo y binarias) que comparten información con un modelo de riesgos proporcionales de Weibull. Los resultados muestran que nuestro estimador es más preciso que su competidor de dos etapas y tan bueno como estimar conjuntamente todos los parámetros. Además, el nuevo enfoque de dos etapas reduce significativamente el tiempo computacional en comparación con la especificación conjunta.