Modelos de riscos aplicados à análise de sobrevivência

• Ano de defesa: 2006
• Autor(a) principal: Perdona, Gleici da Silva Castro
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Accelerated failure test; Competing risk; Distribuição Weibull; Função de risco; Hazard models; Long term model; Long-logistic distribuition; Modelo Weibull modificado; Modelos de longa durção; Modelos de risco; Modified Weibull model; Riscos competitivos; Sobrevivência; Survival; Teste de sobrevivência Acelerando-TSA; Weibull distribution
• Link de acesso: http://www.teses.usp.br/teses/disponiveis/55/55134/tde-07112006-135528/

Assumir suposições especiais sobre a função de risco tem sido a estratégia adotada por vários autores, com intuito de garantir modelos gerais e abrangentes, tanto para a análise de dados de sobrevivência quanto de conDabilidade. Neste estudo, modelos aplicados a dados da área de sobrevivência e conDabilidade são considerados. A Dnalidade deste estudo é propor modelos mais Pexíveis e/ou mais abrangentes de forma a generalizar modelos já existentes, bem como estudar suas propriedades e propor possíveis comparações entre os modelos via testes de hipóteses. Considera-se nesta tese, três classes de modelos baseados na função de risco (modelos de risco). A primeira classe apresenta-se como um caso particular do modelo de risco estendido (Louzada-Neto, 1999), formada por modelos que relacionam o parâmetro de escala a covariáveis, sendo que esse relacionamento pode ser considerado log-linear ou log-nãolinear. Considera-se um modelo particular onde a dependência do parâmetro de escala se dá de forma log-não-linear. Na segunda classe considera-se modelos que estão vinculados a dados de riscos competitivos, quando se tem ou não informação sobre qual tipo de risco foi responsável pela falha de um equipamento ou pelo óbito de um paciente. A terceira classe de modelos foi proposta, nesta tese, relacionando o contexto de modelos de longa duração.