Apresentação do artigo

TÍTULO Marginal models for the association structure of hierarchical binary

responses

Modelar a resposta de probabilidade marginal

Modelar a estrutura de correlação entre os pares de resposta

GEE Generalized estimating equation) = Equações de Estimativas

Generalizadas de segunda ordem. Algumas equações são melhores que
outras computacionalmente, na presença de grandes clusters.

2 Métodos GEE que são comparados no artigo:

ALR Alternating logistic regression)

ORTH Orthoganalized residual)

É realizado uma simulação para ver qual método é melhor. ALR foi melhor
que ORTH.

O estudo ecológico envolve uma clusterização hierárquica de 3 níveis

estimando probabilidades marginais e razões de chances (odds ratios).

1. Introdução

Variável resposta binária clusterizada: existe correlação entre as

observações do mesmo grupo, e zem correlação entre observações de
grupos diferentes.

Comum em estudos biológicos e epidemiológicos.

Correlação é induzida por meio do planejamento, em estudos longitudinais

ou trasversais com clusterização, por meio da família ou componentes
espaciais.

Existe correlação entre observações do mesmo nível e entre observações

de níveis diferentes, porém tudo dentro do mesmo cluster.

Apresentação do artigo 1
 Objetivos da análise estatística:

Decrever a dependência de cada resposta binária em relação a

variáveis explicativas.

Encontrar o grau de associação entre os pares de resultados e a

dependência dessa associação com covariáveis.

GEE Padrão: proposta por Liang e Zeger. Usada quando não é o objetivo
entender a estrutura de associação. Usado para estimar modelos marginais.

Se a estrutura de correlação é incorreta, um pouco de eficiência é

perdida, mas os estimadores de efeitos principais mantém consistentes.

Não é adequado quanto interesse científico é colocado nos parâmetros

de associação.

Estrutura de associação de foco científico: necessário uma segunda equação

de estimação.

Permite que a associação entre pares de resposta seja dependente das

covariáveis.

Dependendo da construção da segunda equação de estimação, as

estimativas da média e associação podem ser ortogonais ou não.

Estimação ortogonal é melhor porque se for especificado errado a

estrutura de associação, isso não impede os parâmetros de regressão
marginal de serem consistentes e normalmente assintóticos.

Se o número de medidas em cada cluster for grande, o que é comum

em problemas que envolvem estrutura hierárquicas de clusterização,
então os métodos não são utilizados por motivos computacionais.

2 modelos ALR e ORTH foram propostos por Carey et al. e Zink.

Especificam associações dentro dos grupos em termos de razão de
chances emparelhadas.

Sequência dos modelos criados:

1 criado modelo padrão GEE

2 criado modelo GEE de segunda ordem

3 criado extensão do modelo GEE por Prentice. Porém não é viável

computacionalmente pelo tamanho dos clusters.

4 criados os modelos ALR e ORTH.

Apresentação do artigo 2
 ALR é tão eficiente quanto GEE de segunda ordem e é bom
computacionalmente. A segunda equação de estimativa é definida em
termos de resíduos condicionais.

ORTH é uma nova abordagem para a equação de segunda estimação

substituindo a estratégia de resíduos condicionais para resíduos
ortogonais.

2. Motivação com dados reais

Distribuição de endófitos fúngicos, com o objetido de saber a estrutura de

associação.

Aninhamento hierárquico:

Árvores hospedeiras (nível 1 → os clusters

Folhas (nível 2

Fragmento de folhas (nível 3

3 lugares: Patagonia, Argentina, e 2 áreas de floresta tropical no Brasil.

3 lugares, 20 árvores cada lugar, 5 folhas cada árvore. 5m de distância cada

árvore.

6 fragmentos: A (ponta) , B (direita), C (base) , D (esquerda) , E (meio cima) , F

(meio baixo).

Variável resposta: presença do endófito fúngico.

Objetivos do estudo: estimar usando a estrutura de dependência se o endófito

mostra associação dentro da folha, árvore hospedeira e local. E também testar
a hipótese de que se aumentar a distância de árvores, a associação de
endófitos diminui, considerando o mesmo local.

3. Modelos marginais

N cluster independentes

Prova que a estimativa de β^ é consistente para β mesmo quando a estrutura

de covariância é mal especificada.

Apresentação do artigo 3
 4. Simulação de Monte Carlo

Simulação feita para comparar o desempenho das abordagens ALR e

ORTH. Foram planejadas para explorar as propriedades dos estimadores,
especialmente aqueles relacionados a estrutura de associação e ao
estimador robusto da variância.

Estimativa de viés relativo

Es

Utilizando os dois métodos e comparando a verdadeira estrutura de média e

incorreta.
(figura 2 Utiliza a estimativa do viés relativo:

O viés relativo no modelo correto DIMINUI ao passo que o tamanho da

amostra AUMENTA. (figura 2

(figura 3 Utiliza o estimativa de viés relativo de variância robusta.

Erro relativo padrão maior no método ALR do que ORTH.

5. Resultados numéricos

6. Comentários finais

Apresentação do artigo 4