Nuevo Método Estadístico para Analizar Datos Incompletos (Censurados) скачать в хорошем качестве

Nuevo Método Estadístico para Analizar Datos Incompletos (Censurados)

En muchos estudios, desde ensayos clínicos hasta análisis medioambientales, los investigadores se enfrentan a un problema común: los datos incompletos o 'censurados'. Esto ocurre, por ejemplo, cuando un paciente abandona un estudio antes de que finalice, o cuando un instrumento no puede medir una cantidad por ser demasiado baja. En estos casos, solo se sabe que el valor real es mayor o menor que un cierto umbral, pero no se conoce el dato exacto. Los métodos estadísticos tradicionales para manejar este tipo de datos tienen limitaciones. A menudo, las conclusiones pueden no ser del todo fiables, especialmente con muestras pequeñas. Este estudio propone un enfoque alternativo y novedoso llamado 'modelos inferenciales generalizados'. En lugar de asignar probabilidades directas, este método utiliza una 'función de plausibilidad' para evaluar las hipótesis, ofreciendo una inferencia válida y con un rendimiento superior a los métodos existentes. La solución presentada en este artículo se basa en una construcción matemática que asocia los datos con una variable auxiliar no observada. Para ello, utiliza de una manera ingeniosa el estimador de Kaplan-Meier, una herramienta clásica en el análisis de supervivencia, pero con un propósito diferente: estimar la distribución de censura. Los autores demuestran con datos reales y simulados que su modelo no solo es válido, sino que funciona mejor que las alternativas existentes, abriendo una nueva vía para el análisis de datos complejos e incompletos. Link al paper: https://arxiv.org/pdf/1912.00037 Autores del estudio: Joyce Cahoon, Ryan Martin Apoyanos en   / audioarxiv   Unete en   / discord   #Estadística #Estadistica #CienciaDeDatos #AnalisisDeDatos #Investigacion #MachineLearning