Person: Urdangarin Iztueta, Arantxa
Loading...
Email Address
person.page.identifierURI
Birth Date
Research Projects
Organizational Units
Job Title
Last Name
Urdangarin Iztueta
First Name
Arantxa
person.page.departamento
Estadística, Informática y Matemáticas
person.page.instituteName
InaMat2. Instituto de Investigación en Materiales Avanzados y Matemáticas
ORCID
0000-0002-9101-6459
person.page.upna
811962
Name
1 results
Search Results
Now showing 1 - 1 of 1
Publication Open Access Advances in the estimation of fixed effects in spatial models with random effects(2024) Urdangarin Iztueta, Arantxa; Goicoa Mangado, Tomás; Ugarte Martínez, María Dolores; Estadística, Informática y Matemáticas; Estatistika, Informatika eta MatematikaLa representación cartográfica de enfermedades permite estimar indicadores de salud específicos para áreas geográficas dentro de una región de estudio. Aunque el objetivo principal suele ser proporcionar las tasas/riesgos de incidencia o mortalidad de enfermedades como el cáncer, existen otras aplicaciones. Por ejemplo, el análisis de crímenes contra las mujeres en India. La mayor parte de la investigación en la representación cartográfica de enfermedades usa modelos mixtos de Poisson jerárquicos bayesianos que incorporan la dependencia espacial o temporal para suavizar los riesgos y reducir la variabilidad de los estimadores clásicos de los riesgos como las razones de incidencia/mortalidad estandarizadas (RIE/RME). Sin embargo, los modelos de representación cartográfica de enfermedades tienen algunos inconvenientes. Aquí nos centramos en dos de estas limitaciones. En primer lugar, estos modelos en general no son identificables y se requieren restricciones en el proceso de estimación para obtener resultados razonables. El segundo problema es la confusión espacial y está relacionado con la inclusión de covariables en los modelos. Si las covariables tienen estructura espacial, su asociación con la respuesta puede no estimarse bien debido al sesgo y la inflación de la varianza. El objetivo principal de esta tesis es doble. Por un lado, abordaremos la complejidad de incorporar restricciones de suma cero para resolver los problemas de identificación al ajustar modelos espacio-temporales ampliamente utilizados en la representación cartográfica de enfermedades utilizando NIMBLE (de Valpine et al., 2017), un sistema para crear modelos estadísticos en R que permite ajustar modelos jerárquicos bayesianos utilizando un sistema configurable de algoritmos MCMC. Por otro lado, nos centraremos en la confusión espacial, con el objetivo de proponer un método que garantice estimaciones adecuadas de efectos fijos. La presente tesis está dividida en cuatro capítulos diferentes. El primer capítulo proporciona una introducción general sobre los problemas que se van a bordar en esta tesis y el resto de los capítulos profundizan en esos problemas. Esta tesis se cierra con una sección final que resume los principales resultados e introduce algunas ideas para futuras investigaciones.