<div dir="ltr">Boa tarde,<br><br>Temos o prazer de convidar a todos para mais um seminário do Ciclo de Seminários 2021 do Programa de Pós-Graduação em Estatística da UFRGS (PPGEst-UFRGS). Informações abaixo:<br><br>Evento: Ciclo de Seminários 2021 do PPGEst-UFRGS  <br><br>Palestrante: Dr. José Luiz Padilha da Silva  (UFPR)<br><br>Título:  Uma comparação de métodos de imputação de covariáveis ausentes no modelo de Cox<br><br>Resumo:  A análise de dados de tempo até o evento em estudos clínicos e epidemiológicos geralmente envolve covariáveis com valores ausentes, e geralmente se assume que o mecanismo de perda dependa apenas dos dados observados, incluindo a resposta que é o mínimo entre os tempos de sobrevivência e de censura. Neste trabalho, discutiremos situações em que o mecanismo de perda implica, além da natural perda de eficiência, em viés nas estimativas dos coeficientes do modelo de regressão. Assumimos que a resposta de sobrevivência segue um modelo de taxas de falhas proporcionais de Cox dado a covariável X (possivelmente não observada) e demais covariáveis Z (sempre observadas). Exceto em alguns casos especiais, a distribuição condicional das covariáveis dado o tempo de sobrevivência não segue qualquer distribuição usual. White e Royston (2009) mostram que, para uma covariável X binária ou normal, o modelo de imputação é uma regressão logística ou linear no indicador do evento D, a função taxa de falha basal acumulada H0(t) e as outras covariáveis Z. Tal resultado, contudo, é válido de forma aproximada para pequenos efeitos de covariável e/ou pequena incidência acumulada. Como alternativa, consideramos uma aproximação FCS (Full Conditional Specification) para o método de imputação sugerido por Carpenter e Kenward (2013) que leva em conta o modelo de análise para geração dos valores imputados. Uma outra possibilidade é a imputação por meio de algoritmos de aprendizado como cart, disponível no pacote mice do R. Nós comparamos os métodos através de estudos de simulação. Diferentes cenários de perda e tamanhos amostrais foram considerados. Os resultados indicam que as estimativas dos parâmetros de regressão podem ser viciadas na ocorrência de dados ausentes e que, em geral, a aproximação FCS apresenta bons resultados.<br><br>Data: 22 de Novembro de 2021 (segunda-feira)<br><br>Horário: 14h00 às 15:20 (60 min de apresentação e 20 min para perguntas)<br><br>Local: Ambiente virtual Mconf. Link: <a href="https://mconf.ufrgs.br/webconf/ppgest" target="_blank">https://mconf.ufrgs.br/webconf/ppgest</a><br><br>Moderadora: Profa. Silvana Schneider (PPGEst-UFRGS)<br><br>Contamos com a presença de todos.<br><br>PPGEst-UFRGS<br clear="all"><div><div dir="ltr" class="gmail_signature" data-smartmail="gmail_signature"><div dir="ltr"><div><br><span style="color:rgb(192,192,192)">**********************************************************</span><br style="color:rgb(192,192,192)"><span style="color:rgb(192,192,192)">Professor Dr. Marcio Valk, </span><br style="color:rgb(192,192,192)"><div><span style="color:rgb(192,192,192)">Universidade Federal do Rio Grande do Sul - UFRGS</span><br style="color:rgb(192,192,192)"><span style="color:rgb(192,192,192)">
Instituto de Matemática e Estatística</span><br style="color:rgb(192,192,192)"><span style="color:rgb(192,192,192)">Departamento de Estatística</span><br style="color:rgb(192,192,192)"><span style="color:rgb(192,192,192)">Av. Bento Gonçalves, 9500</span><br style="color:rgb(192,192,192)"><span style="color:rgb(192,192,192)">91509-900 Porto Alegre - RS - Brasil</span><br style="color:rgb(192,192,192)"><span style="color:rgb(192,192,192)">Tel.: 051 3308-6191</span><span style="color:rgb(192,192,192)"></span><br><br></div><br></div></div></div></div></div>