Binary regression model with misclassification and Berkson-type measurement error with student-t distribution

Descripción del Articulo

In this article, we introduce a regression model tailored for fitting binary data affected by misclassification in the response variable and Berkson-type measurement error in the covariate. The conventional assumption of a normal distribution for measurement error may inadequately represent atypical...

Descripción completa

Detalles Bibliográficos
Autores: Alves Pereira, Marcos Antonio, Blas Achic, Betsabé Grimalda
Formato: artículo
Fecha de Publicación:2023
Institución:Universidad Nacional de Ingeniería
Repositorio:Revistas - Universidad Nacional de Ingeniería
Lenguaje:español
OAI Identifier:oai:oai:revistas.uni.edu.pe:article/2003
Enlace del recurso:https://revistas.uni.edu.pe/index.php/iecos/article/view/2003
Nivel de acceso:acceso abierto
Materia:Modelo de regresión binaria
error de tipo Berkson
error de clasificación
Distribución t-Student
Binary regression model
Berkson-type error
misclassification
Student-t distribution
id REVUNI_408bf60e24c90a30ab325a9306921a73
oai_identifier_str oai:oai:revistas.uni.edu.pe:article/2003
network_acronym_str REVUNI
network_name_str Revistas - Universidad Nacional de Ingeniería
repository_id_str
spelling Binary regression model with misclassification and Berkson-type measurement error with student-t distributionModelo de regresión binaria con mala clasificación y error de medición tipo Berkson con Distribución t-StudentAlves Pereira, Marcos AntonioBlas Achic, Betsabé GrimaldaModelo de regresión binariaerror de tipo Berksonerror de clasificaciónDistribución t-StudentBinary regression modelBerkson-type errormisclassificationStudent-t distributionIn this article, we introduce a regression model tailored for fitting binary data affected by misclassification in the response variable and Berkson-type measurement error in the covariate. The conventional assumption of a normal distribution for measurement error may inadequately represent atypical observations present in the dataset. To address this limitation, our model incorporates misclassification in the response variable and Berksontype measurement error, employing the Student-t distribution for more robust modeling of these atypical observations. We utilize the cumulative distribution function from the Student-t distribution as the link function, enhancing our ability to capture the dataset’s unique characteristics. Model parameters are estimated via the maximum likelihood method. We conduct a comprehensive Monte Carlo simulation study to thoroughly assess the impact of measurement errors and misclassification. Additionally, we apply the proposed model to a real-world dataset of survivors from the atomic bombing in Japan, showcasing its adaptability and suitability in practical scenarios. Our findings highlight the robustness and flexibility of this model in effectively handling complex binary regression scenarios involving measurement errors and misclassification.En este artículo, presentamos un modelo de regresión diseñado para ajustar datos binarios afectados por error de clasificación en la variable respuesta y error de medición tipo Berkson en la covariable. La suposición convencional de distribución normal para el error de medición puede representar inadecuadamente observaciones atípicas presentes en el conjunto de datos. Para abordar esta limitación, nuestro modelo incorpora error de clasificación en la variable respuesta y error de medición tipo Berkson, empleando la Distribución t de Student para modelar de manera más robusta estas observaciones atípicas. Utilizamos la función de distribución acumulativa de la distribución t de Student como la función de enlace, mejorando la capacidad para capturar las características únicas del conjunto de datos. Estimamos los parámetros del modelo mediante el método de máxima verosimilitud. Realizamos un estudio exhaustivo de simulación de Monte Carlo para evaluar minuciosamente el impacto de los errores de medición y el error de clasificación. Además, aplicamos el modelo propuesto a un conjunto de datos reales de sobrevivientes del bombardeo atómico en Japón, demostrando su adaptabilidad y adecuación en escenarios prácticos. Nuestros resultados resaltan la robustez y flexibilidad de este modelo en el manejo efectivo de escenarios de regresión binaria complejos que involucran errores de medición y error de clasificación.Universidad Nacional de Ingeniería2023-12-31info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionPeer ReviewedEvaluado por paresapplication/pdftext/htmltext/xmlhttps://revistas.uni.edu.pe/index.php/iecos/article/view/200310.21754/iecos.v24i2.2003revista IECOS; Vol. 24 No. 2 (2023); 61-78Revista IECOS; Vol. 24 Núm. 2 (2023); 61-782788-74802961-284510.21754/iecos.v24i2reponame:Revistas - Universidad Nacional de Ingenieríainstname:Universidad Nacional de Ingenieríainstacron:UNIspahttps://revistas.uni.edu.pe/index.php/iecos/article/view/2003/2363https://revistas.uni.edu.pe/index.php/iecos/article/view/2003/2390https://revistas.uni.edu.pe/index.php/iecos/article/view/2003/2369Derechos de autor 2023 Marcos Antonio Alves Pereira, Betsabé Grimalda Blas Achichttps://creativecommons.org/licenses/by/4.0info:eu-repo/semantics/openAccessoai:oai:revistas.uni.edu.pe:article/20032025-02-13T21:23:06Z
dc.title.none.fl_str_mv Binary regression model with misclassification and Berkson-type measurement error with student-t distribution
Modelo de regresión binaria con mala clasificación y error de medición tipo Berkson con Distribución t-Student
title Binary regression model with misclassification and Berkson-type measurement error with student-t distribution
spellingShingle Binary regression model with misclassification and Berkson-type measurement error with student-t distribution
Alves Pereira, Marcos Antonio
Modelo de regresión binaria
error de tipo Berkson
error de clasificación
Distribución t-Student
Binary regression model
Berkson-type error
misclassification
Student-t distribution
title_short Binary regression model with misclassification and Berkson-type measurement error with student-t distribution
title_full Binary regression model with misclassification and Berkson-type measurement error with student-t distribution
title_fullStr Binary regression model with misclassification and Berkson-type measurement error with student-t distribution
title_full_unstemmed Binary regression model with misclassification and Berkson-type measurement error with student-t distribution
title_sort Binary regression model with misclassification and Berkson-type measurement error with student-t distribution
dc.creator.none.fl_str_mv Alves Pereira, Marcos Antonio
Blas Achic, Betsabé Grimalda
author Alves Pereira, Marcos Antonio
author_facet Alves Pereira, Marcos Antonio
Blas Achic, Betsabé Grimalda
author_role author
author2 Blas Achic, Betsabé Grimalda
author2_role author
dc.subject.none.fl_str_mv Modelo de regresión binaria
error de tipo Berkson
error de clasificación
Distribución t-Student
Binary regression model
Berkson-type error
misclassification
Student-t distribution
topic Modelo de regresión binaria
error de tipo Berkson
error de clasificación
Distribución t-Student
Binary regression model
Berkson-type error
misclassification
Student-t distribution
description In this article, we introduce a regression model tailored for fitting binary data affected by misclassification in the response variable and Berkson-type measurement error in the covariate. The conventional assumption of a normal distribution for measurement error may inadequately represent atypical observations present in the dataset. To address this limitation, our model incorporates misclassification in the response variable and Berksontype measurement error, employing the Student-t distribution for more robust modeling of these atypical observations. We utilize the cumulative distribution function from the Student-t distribution as the link function, enhancing our ability to capture the dataset’s unique characteristics. Model parameters are estimated via the maximum likelihood method. We conduct a comprehensive Monte Carlo simulation study to thoroughly assess the impact of measurement errors and misclassification. Additionally, we apply the proposed model to a real-world dataset of survivors from the atomic bombing in Japan, showcasing its adaptability and suitability in practical scenarios. Our findings highlight the robustness and flexibility of this model in effectively handling complex binary regression scenarios involving measurement errors and misclassification.
publishDate 2023
dc.date.none.fl_str_mv 2023-12-31
dc.type.none.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
Peer Reviewed
Evaluado por pares
format article
status_str publishedVersion
dc.identifier.none.fl_str_mv https://revistas.uni.edu.pe/index.php/iecos/article/view/2003
10.21754/iecos.v24i2.2003
url https://revistas.uni.edu.pe/index.php/iecos/article/view/2003
identifier_str_mv 10.21754/iecos.v24i2.2003
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv https://revistas.uni.edu.pe/index.php/iecos/article/view/2003/2363
https://revistas.uni.edu.pe/index.php/iecos/article/view/2003/2390
https://revistas.uni.edu.pe/index.php/iecos/article/view/2003/2369
dc.rights.none.fl_str_mv Derechos de autor 2023 Marcos Antonio Alves Pereira, Betsabé Grimalda Blas Achic
https://creativecommons.org/licenses/by/4.0
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Derechos de autor 2023 Marcos Antonio Alves Pereira, Betsabé Grimalda Blas Achic
https://creativecommons.org/licenses/by/4.0
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
text/html
text/xml
dc.publisher.none.fl_str_mv Universidad Nacional de Ingeniería
publisher.none.fl_str_mv Universidad Nacional de Ingeniería
dc.source.none.fl_str_mv revista IECOS; Vol. 24 No. 2 (2023); 61-78
Revista IECOS; Vol. 24 Núm. 2 (2023); 61-78
2788-7480
2961-2845
10.21754/iecos.v24i2
reponame:Revistas - Universidad Nacional de Ingeniería
instname:Universidad Nacional de Ingeniería
instacron:UNI
instname_str Universidad Nacional de Ingeniería
instacron_str UNI
institution UNI
reponame_str Revistas - Universidad Nacional de Ingeniería
collection Revistas - Universidad Nacional de Ingeniería
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1834831128769331200
score 13.914502
Nota importante:
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).