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...
Autores: | , |
---|---|
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).
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).