
Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
| Metadados | Descrição | Idioma |
|---|---|---|
| Autor(es): dc.contributor | Chaves, Lucas Monteiro | - |
| Autor(es): dc.contributor | Braekers, Roel | - |
| Autor(es): dc.contributor | Souza, Devanil Jaques de | - |
| Autor(es): dc.contributor | Scalon, João Domingos | - |
| Autor(es): dc.contributor | Braekers, Roel | - |
| Autor(es): dc.contributor | Chaves, Lucas Monteiro | - |
| Autor(es): dc.contributor | Souza, Devanil Jaques de | - |
| Autor(es): dc.contributor | Lima, Renato Ribeiro de | - |
| Autor(es): dc.contributor | Ferreira, Daniel Furtado | - |
| Autor(es): dc.contributor | Colosimo, Enrico Antonio | - |
| Autor(es): dc.contributor | Giolo, Suely Ruiz | - |
| Autor(es): dc.creator | Campos, Eleanderson | - |
| Data de aceite: dc.date.accessioned | 2026-02-09T11:25:18Z | - |
| Data de disponibilização: dc.date.available | 2026-02-09T11:25:18Z | - |
| Data de envio: dc.date.issued | 2021-01-27 | - |
| Data de envio: dc.date.issued | 2021-01-27 | - |
| Data de envio: dc.date.issued | 2021-01-27 | - |
| Data de envio: dc.date.issued | 2020-11-24 | - |
| Fonte completa do material: dc.identifier | https://repositorio.ufla.br/handle/1/46081 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1140446 | - |
| Descrição: dc.description | The vast majority of the random phenomena studied by applied statisticians are governed by complex dependence structures. Neglecting these associations in the statistical analysis often gives rise to misleading and biased results. This is precisely what makes multivariate data analysis so important. In multivariate survival analysis, for example, particularly when dealing with clustered survival data, the interest lies in modelling the multiple lifetimes (time until an event happens) of individuals grouped in clusters. The lifetimes of individuals inside a cluster are known to be associated to each other through a complicated dependence structure, the intracluster dependence. On top of this, survival data are often right-censored, a condition where a subject survives up to a certain point in time, but the exact moment of occurrence of the event of interest is not observed. These features make the study of right-censored clustered survival data non-trivial. In general, there are two types of models that are commonly used to model these forms of data: frailty models and copula models. In frailty models, we assume that the different lifetimes in a cluster are independent of each other, conditional on a common random term, the frailty term. Although frailty models are widely used to model clustered survival data, they have some deficiencies: the number of frailty distributions which are implemented is limited. Furthermore, the interpretation of the frailty parameter is not straightforward since it expresses the heterogeneity between clusters, rather than the association between lifetimes in a cluster. On the other hand, the interpretation of the parameters in copula models is easier since these models are, by their form, adapted to make a clear distinction between the marginal behaviour of a lifetime and the association between different lifetimes. Moreover, an extensive number of parametric copula families is available and already implemented in several statistical software packages. However, up to now, copula models have not been used to their full potential in clustered survival data modelling. Their usage was restricted to settings where either the size of the clusters is fixed, or the number of copula families implemented is limited. Considering these shortcomings of the current methodologies, this thesis aims to make a contribution towards the modelling of clustered survival data by copula models. In this sense, we propose a new class of models based on the flexible factor copula models that can handle right-censored clustered survival data grouped in variable sized clusters and allows the use of any copula family to model intracluster dependence. Additionally, we provide the computational routines for implementations of our methods. We show, with a real data application and simulation studies, that the newly proposed methods have solid finite sample properties, straightforward interpretation and are not computationally expensive. | - |
| Descrição: dc.description | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) | - |
| Descrição: dc.description | Grande parte dos fenômenos aleatórios estudados em áreas aplicadas da estatística é governada por complexas estruturas de dependência. Negligenciar essas associações na análise estatística quase certamente leva a resultados enganosos. É exatamente isso que torna a análise multivariada de dados tão importante. Na análise de sobrevivência multivariada, por exemplo, particularmente quando se trata de dados agrupados, o interesse está em modelar os múltiplos tempos de vida (ou o tempo até que um evento aconteça) de indivíduos agrupados em diferentes clusters. Naturalmente, os tempos de vida de indivíduos dentro de um mesmo cluster tendem a estar associados entre si (dependência intracluster), uma vez que esses indivíduos estão expostos aos mesmos fatores, por exemplo. Além disso, os dados de sobrevivência são frequentemente censurados à direita, uma condição em que indivíduos sobrevivem até certo ponto no tempo, mas não se sabe exatamente quando experimentam o evento de interesse. Essas particularidades tornam o estudo de dados de sobrevivência agrupados não trivial. Em geral, existem dois tipos de modelos que são comumente utilizados para modelar esses dados: modelos de fragilidade e cópulas. Nos modelos de fragilidade se assume que os diferentes tempos de vida em um cluster são condicionalmente independentes dado um fator comum aleatório, o fator de fragilidade (ou variável de fragilidade). Apesar de serem amplamente utilizados para modelar dados de sobrevivência agrupados em clusters, os modelos de fragilidade apresentam algumas deficiências: o número de distribuições de fragilidade implementadas é limitado. Além disso, a interpretação do parâmetro de fragilidade não é direta, pois este representa a heterogeneidade entre os clusters e não a associação entre os tempos de vida em um cluster. Por outro lado, a interpretação dos parâmetros de uma cópula é mais simples, uma vez que estes modelos, por definição, conseguem separar o comportamento marginal dos tempos de vida da forma com que estão associados. Ademais, é possível encontrar um grande número de famílias de cópulas paramétricas na literatura e muitas já foram implementadas em diversos pacotes de softwares estatísticos. No entanto, até então, o potencial das cópulas não foi totalmente explorado na modelagem de dados de sobrevivência clusterizados, visto que esses modelos foram aplicados apenas em casos de clusters de tamanho fixo e pequeno, ou com restrição no número de famílias de cópulas utilizáveis. Visando superar essas deficiências, nós propomos neste trabalho uma nova classe de modelos baseados em cópulas fatoriais para dados censurados à direita e agrupados em clusters de tamanhos variados. O novo modelo permite, ainda, o uso de qualquer família de cópula para modelar a dependência intracluster. Além disso, nós fornecemos as rotinas computacionais em R para implementação de nossos métodos. Por meio de uma aplicação com dados reais e estudos de simulação, nós mostramos que a metodologia proposta neste trabalho possui sólidas propriedades amostrais, baixo custo computacional e fornece resultados de fácil interpretação. | - |
| Formato: dc.format | application/pdf | - |
| Idioma: dc.language | en | - |
| Publicador: dc.publisher | Universidade Federal de Lavras | - |
| Publicador: dc.publisher | Programa de Pós-Graduação em Estatística e Experimentação Agropecuária | - |
| Publicador: dc.publisher | UFLA | - |
| Publicador: dc.publisher | brasil | - |
| Publicador: dc.publisher | Departamento de Estatística | - |
| Direitos: dc.rights | restrictAccess | - |
| Palavras-chave: dc.subject | Dados de sobrevivência agrupados | - |
| Palavras-chave: dc.subject | Cópulas fatoriais | - |
| Palavras-chave: dc.subject | Dados de sobrevivência multivariados | - |
| Palavras-chave: dc.subject | Clusters de tamanhos variados | - |
| Palavras-chave: dc.subject | Clustered survival data | - |
| Palavras-chave: dc.subject | Factor copula models | - |
| Palavras-chave: dc.subject | Multivariate survival data | - |
| Palavras-chave: dc.subject | Varying cluster size | - |
| Palavras-chave: dc.subject | Estatística | - |
| Título: dc.title | Factor copula models for right-censored clustered survival data | - |
| Tipo de arquivo: dc.type | tese | - |
| Aparece nas coleções: | Repositório Institucional da Universidade Federal de Lavras (RIUFLA) | |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: