Conferencia

Impacto de estrategias para el tratamiento de información faltante sobre la estimación de modelos de regresión de Cox

Resumen

Los modelos de regresión de Cox son ampliamente utilizados en la investigación biomédica cuando se estudia la relación entre un conjunto de covariables y el tiempo hasta la ocurrencia de un evento de interés. Las propiedades asintóticas de los estimadores de estos modelos pueden verse afectadas por la existencia de datos faltantes, los cuales surgen habitualmente en las investigaciones, y por el tratamiento que se da a los mismos, dando lugar a inferencias erróneas. Por medio de un estudio por simulación se avanza en el análisis de las propiedades distribucionales de los estimadores de los parámetros de modelos de regresión de Cox, obtenidos a partir de matrices imputadas con diferentes métodos. Se analizan comparativamente el error cuadrático medio y el sesgo de los estimadores en relación con los parámetros esperados para la distribución asintótica teórica de los estimadores máximo-verosímiles obtenidos con matrices completas. También se evalúa la forma de la distribución de los estimadores y la capacidad predictiva del modelo estimado. Los resultados obtenidos permiten derivar conclusiones generales para diversos escenarios, considerando distintos tamaños de muestra y diferentes porcentajes y mecanismos de pérdida. Esto facilita la elección de estrategias adecuada para tratar información faltante en situaciones complejas. La utilización de métodos de imputación no paramétricos, que no son considerados habitualmente en la práctica, ha permitido obtener resultados aceptables en la estimación de modelos de regresión de Cox, por lo que se recomienda su consideración en casos similares a los planteados en este estudio.