Analisi Marginale di Dati Clusterizzati con Censure Intervallari e Rischi Competitivi con Dimensione del Cluster Informativa

Questo studio, motivato dai dati del National Alzheimer's Coordinating Center (NACC), sviluppa un metodo per l'analisi marginale di dati clusterizzati in presenza di censura intervallare, rischi competitivi e dimensione del cluster informativa, condizioni per cui i metodi esistenti risultano inadeguati. Gli autori propongono una classe di modelli di trasformazione dell'odds-rate generalizzata per la funzione di incidenza cumulativa, includendo modelli noti come quello di Fine-Gray e il modello di odds proporzionali sotto-distribuzione. Per l'inferenza statistica, è stata elaborata una procedura di stima pseudo-massima verosimiglianza pesata per cluster, sfruttando B-spline per approssimare le componenti non parametriche dei modelli semiparametrici. Questo approccio riduce efficacemente un problema di stima a dimensione infinita in uno a dimensione finita. Gli autori dimostrano le proprietà asintotiche degli stimatori e ne valutano la performance su campioni di dimensioni finite tramite simulazioni. La metodologia proposta è stata applicata ai dati NACC per identificare fattori di rischio potenziali della demenza a corpi di Lewy. L'abstract non fornisce dettagli su risultati specifici o limiti dello studio.