Por favor, use este identificador para citar o enlazar este ítem: http://repositorio.ufc.br/handle/riufc/47797
Tipo: Dissertação
Título : Abordagem bayesiana para tratamento de dados faltantes com aplicação em um modelo logístico
Título en inglés: Bayesian approach to handling missing data with application in a logistic model
Autor : Alves, Lívia de Oliveira
Tutor: Andrade, José Aílton Alencar
Co-asesor: Rêgo, Leandro Chaves
Palabras clave : Dados faltantes;Imputação múltipla;Modelos preditivos;Regressão logística;Métodos bayesianos
Fecha de publicación : 2019
Citación : ALVES, Lívia de Oliveira. Abordagem bayesiana para tratamento de dados faltantes com aplicação em um modelo logístico. 2019. 125 f. Dissertação (Mestrado em Modelagem e Métodos Quantitativos) - Centro de Ciências, Universidade Federal do Ceará, 2019.
Resumen en portugués brasileño: Dados faltantes surgem frequentemente em aplicações práticas e podem ocasionar muitos problemas. O impacto dos dados ausentes na modelagem e em inferências estatísticas é iminentemente importante, principalmente em casos em que os sujeitos com dados faltantes possuem padrões de respostas que diferem muito daqueles de dados completos. O tratamento inadequado ou o não tratamento dos dados faltantes também pode afetar os resultados gerais da análise. Existem várias abordagens para enfrentar o problema de informações omissas. Dado este cenário, neste trabalho serão discutidas metodologias de tratamento de dados faltantes em modelos preditivos através de uma aplicação do problema. Para tal desenvolvimento será utilizada a técnica de regressão logística para elaboração de ferramenta preditiva do risco de transformação hemorrágica em pacientes com Acidente Vascular Cerebral isquêmico em uma unidade hospitalar pública de referência em Fortaleza, Ceará, na qual dentre suas covariáveis, algumas delas possuem uma quantidade representativa de dados omissos. Assim, o objetivo principal do estudo é aplicar técnicas diferentes de tratamentos de dados faltantes para cada variável de acordo com sua natureza e ajustar um modelo preditivo e posteriormente comparar com uma base de dados mais completa obtida em outro momento da pesquisa.
Abstract: Missing data often comes up in practical applications and may cause many problems. The impact of missing data on modeling and statistical inferences is eminently important, especially in the face of subjects with missing data who have response patterns that differ greatly from those with complete data. Inadequate treatment or non-treatment of missing data may also affect the overall results of the analysis. There are several approaches of addressing the missing information problem. In this work,methodologies for missing data treatment in predictive models through an application of the problem are discussed. For this, the logistic regression technique is used to develop a predictive tool for the risk of hemorrhagic transformation in patients with ischemic stroke in a public hospital in Fortaleza, Brazil, in which, among their covariates, some of them have a representative amount of missing data. The main objective of this study is to apply different techniques of missing data treatment for each variable according to its nature and to adjust a predictive model, and then compare such approaches with a more complete database obtained at another point of this research.
URI : http://www.repositorio.ufc.br/handle/riufc/47797
Aparece en las colecciones: DEMA - Dissertações defendidas na UFC

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
2019_dis_loalves.pdf3,97 MBAdobe PDFVisualizar/Abrir


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.