Inicio: 09/07/2016
Fin: 09/07/2016
PRESENTACIÓN
La maestría en Estadística y el grupo de Modelos Matemáticos y Estadísticos para la evaluación están organizando el segundo Encuentro Internacional de Estadística que se realizará este sábado 9 de julio del 2016 en el campus de la Pontificia Universidad Católica del Perú. La participación en este evento es gratuita previa inscripción. Las vacantes son limitadas.
PROGRAMA
9:00am – 9:20am Comunicación 1
Título: Modelos de supervivencia de tiempo discreto con fracción de cura.
Ponente: Ana Paula Rojas (Asistente de investigación MMEPE-PUCP)
9:25am – 9:45am Comunicación 2
Título: Estimación de la prevalencia de enfermedades cuando las pruebas diagnósticas están sujetas a error de clasificación: Enfoque bayesiano.
Ponente: Ing. Evelyn Gutiérrez (Asistente de investigación MMEPE, PUCP)
9:45am – 10:30am CONFERENCIA 1
Título: Métodos MCMC de Langevin ajustados en la estimación de un modelo Beta inflacionado a la media con dispersión variable.
Ponente: Luis Valdivieso, PhD (PUCP)
10:30 am – 10:45 am Coffee Break
10:45am – 11:30am CONFERENCIA 2
Título: Modelos de regresión con censura informativa y error de clasificación para estimar el tiempo a reinfección de clamidia.
Ponente: Giancarlo Sal y Rosas, PhD (PUCP)
11:30am – 12:15pm CONFERENCIA 3
Título: Métodos bayesianos de recaptura múltiple usando mixtura de procesos de Dirichlet para estimar víctimas fatales en conflictos armados.
Ponente: Daniel Manrique, PhD (Universidad de Indiana, US)
PONENTES
Ph.D. Luis Valdivieso
El Ph.D. Luis Valdivieso obtuvo su Ph.D. en Mathematics en la Katholieke Universiteit Leuven de Bélgica y es actualmente profesor principal y director de la Maestría en Estadística de la Pontificia Universidad Católica del Perú.
Ph.D. Giancarlo Sal y Rosas
El Ph.D. Giancarlo Sal y Rosas es Ph.D. en Bioestadística de la University of Washington, USA y es actualmente profesor asociado y docente de la Maestría en Estadística de la Pontificia Universidad Católica del Perú.
Ph.D. Daniel Manrique
El Ph.D. Daniel Manrique es Ph.D. en Statistics de la Carnegie Mellon University, USA y es actualmente profesor asistente en el Departamento de Estadística de la Universidad de Indiana, USA.
Ing. Evelyn Gutiérrez
La Ing. Evelyn Gutiérrez es Ingeniera Estadística de la Universidad Nacional de Ingeniería, y actualmente es estudiante de la Maestría en Estadística de la Pontificia Universidad Católica del Perú.
Ana Paula Rojas
Ana Paula Rojas es estudiante de último ciclo de Estadística Informática en la Universidad Nacional Agraria la Molina, y actualmente es asistente del grupo MMEPE de la Pontificia Universidad Católica del Perú.
ORGANIZADO POR
Maestría en Estadística de la Pontificia Universidad Católica del Perú
Grupo de Modelos Matemáticos y Estadísticos para la Evaluación
Proyecto DGI – PUCP 2014-0017 – 0070 «Statistical Methods for Cluster Randomized Trial»
Proyecto DGI – PUCP 0065-2014 «Modelos de Regresión para variables limitadas»
Proeycto DGI – PUCP 2015 – 0074 «Statistical methods for survival data and mixed effect regression models for proportions»
LUGAR
Aula Polivalente A-100 (Complejo de Innovación Académica) – Pontificia Universidad Católica del Perú
INSCRIPCIÓN
Deben inscribirse enviando un correo a m_estadistica@pucp.edu.pe indicando nombres, apellidos y número de DNI. Las vacantes son limitadas.
INFORMES
Elizabeth Paredes
Secretaría de la Maestría en Estadística
Teléfono: 626-2000 anexo 5143
E-mail: m_estadistica@pucp.edu.pe ó paredes.elizabeth@pucp.edu.pe
RESUMEN DE LAS CONFERENCIAS
Comunicación 1
Modelos de supervivencia de tiempo discreto con fracción de cura.
Ana Paula Rojas
En este trabajo se revisan los modelos de tiempos discretos con fracción de cura propuestos por Zhao y Zhou (2008). Se empieza revisando los modelos de tiempo discreto existentes y luego extendiéndolos para incorporar la presencia de individuos curados, siendo de interés encontrar un modelo que cumpla con la estructura de riesgos proporcionales. Se realiza una crítica a la especificación de los autores del modelo discreto con fracción de cura de riesgos proporcionales mostrando que bajo esa especificación es posible describir cuatro posibles modelos. La estimación de los parámetros es evaluada mediante los métodos de máxima verosimilitud y verosimilitud parcial. Finalmente, se realizan simulaciones para evaluar el desempeño de estos modelos bajo distintos grados de censura y distintos tamaños de muestra.
Comunicación 2
Estimación de la prevalencia de enfermedades cuando las pruebas diagnósticas están sujetas a error de clasificación: Enfoque bayesiano.
Ing. Evelyn Gutierrez – PUCP
La estimación de la prevalencia de una enfermedad, definida como el número de casos entre el número de elementos de la población, es algo que se puede hacer con gran exactitud cuándo se cuenta con pruebas 100% precisas; sin embargo, en algunos casos, debido a su alto costo, estas se deben reemplazar por pruebas más económicas pero con un limitado grado de precisión. El objetivo de este estudio es comparar dos modelos estadísticos bayesianos, propuestos en la literatura, para estimar la prevalencia: un modelo de efectos fijos (Dendukuri y Lawrence, 2001) y un modelo donde se propone una estimación ponderada de cuatro casos de relación entre las pruebas diagnósticas (Black y Craig, 2002). En particular, estos modelos serán aplicados ante el problema de estimar la prevalencia de enfermedad renal crónica en el Perú. Recientemente, investigadores del Centro de Excelencia en Enfermedades Crónicas de la Universidad Cayetano Heredia estimaron que la prevalencia de esta enfermedad era 16,8% [95% IC: 13.5-20.9%] (Francis et. al. 2015). Sin embargo, las pruebas diagnósticas utilizadas tienen un importante margen de error que como consecuencia podrían llevar a una estimación sesgada de la prevalencia y por ende a un inadecuado diagnóstico de la realidad epidemiológica de esta enfermedad en el Perú. Nuestro objetivo es, seleccionar el modelo más adecuado, a fin de estudiar de manera óptima la realidad de esta enfermedad en el Perú.
CONFERENCIA 1
Métodos MCMC de Langevin ajustados en la estimación de un modelo Beta inflacionado a la media con dispersión variable.
PhD Luis Valdivieso
En esta presentación daremos una breve introducción al algoritmo de Metropolis-Hastings y a una de sus más recientes variantes basadas en procesos de difusión que son soluciones a una ecuación diferencial estocástica de Langevin. Luego de una breve revisión del estado del arte de estos métodos, ilustraremos su aplicación
en un nuevo modelo de regresión que extiende el modelo Beta inflacionado a la media propuesto por Bayes y Valdivieso (2016), al incorporar una ecuación de regresión en el parámetro de precisión del modelo. Estos métodos serán comparados posteriormente con el clásico de máxima verosimilitud.
CONFERENCIA 2
Modelos de regresión con censura informativa y error de clasificación para estimar el tiempo a reinfección de clamidia.
PhD Giancarlo Sal y Rosas
En esta presentación describiré una extensión a un modelo existente para analizar la distribución del tiempo a reinfección de clamidia de un estudio realizado en EEUU entre el 2001 y el 2003. Estos datos están sujetos a censura informativa dado que él 25% de las visitas de seguimiento fue alterado debido a síntomas reportados por los pacientes y no es posible determinar si estos son debido a la enfermedad de estudio u otra (que podría aumentar el riesgo de la ocurrencia del evento de interés). Un modelo interesante usando copulas para modelar la censura informativa fue propuesto por Zhou et al (2014). Nosotros proponemos una extensión de este modelo, a fin de controlar por el error de clasificación del evento de interés debido a una prueba diagnóstica imperfecta. Esto es importante para nuestro análisis dado que la sensibilidad de la prueba para diagnosticar clamidia es de 0.98.
CONFERENCIA 3
Métodos bayesianos de recaptura múltiple usando mixtura de procesos de Dirichlet para estimar víctimas fatales en conflictos armados.
PhD Daniel Manrique
Empezando con el trabajo pionero de Patrick Ball en Guatemala en 1999, las técnicas de Recaptura Múltiple (RM) han ido ganando popularidad como método para la estimación de los totales de víctimas en conflictos armados a partir de múltiples listas incompletas. Un importante reto técnico en estas aplicaciones es el de incorporar adecuadamente heterogeneidad individual de captura y dependencia entre listas. El modelado log-lineal clásico es a menudo un enfoque simple y razonable. Sin embargo, complicaciones técnicas como la necesidad de seleccionar modelos adecuados y la baja tolerancia de los modelos log-lineales a tablas de contingencia poco pobladas limitan su aplicación, y con frecuencia requieren soluciones ad-hoc. En esta charla presento un método bayesiano basado en mixturas de procesos de Dirichlet. Este método permite detectar y modelar patrones complejos de heterogeneidad de captura automáticamente, sin necesidad de un paso separado de selección de modelos. Adicionalmente tiene una alta tolerancia a tablas despobladas y es computacionalmente eficiente. Ilustro la metodología con datos históricos de conflictos en Kosovo y Colombia.