Publicación:
Efecto de la censura en modelos de regresión Weibull y regresión de Cox

Vista sencilla de ítem
dc.audience
dc.contributor.advisorRamirez Montoya, Javier
dc.contributor.advisorRocha de Medeiros, Rodrigo Matheus
dc.contributor.authorYepes Ibarguen, Kevin Alejandro
dc.contributor.juryTovar-Falón, Roger
dc.contributor.juryMartínez Flórez, Guillermo
dc.date.accessioned2025-06-27T21:30:39Z
dc.date.available2025-06-27T21:30:39Z
dc.date.issued2025-06-27
dc.description.abstractEl análisis de supervivencia constituye una herramienta estadística esencial en estudios donde el tiempo hasta la ocurrencia de un evento resulta de interés. Este tipo de análisis se caracteriza por la presencia frecuente de datos censurados, lo que exige la aplicación de métodos especializados que permitan una estimación precisa y robusta de los parámetros del modelo. En este contexto, los modelos de regresión de Cox y Weibull se han consolidado como enfoques ampliamente utilizados. El modelo de Cox, de naturaleza semiparamétrica, no asume una forma específica para la función de riesgo, mientras que el modelo de Weibull, de carácter paramétrico, impone una estructura determinada para dicha función, permitiendo interpretar el comportamiento del riesgo a lo largo del tiempo. El presente trabajo tuvo como objetivo comparar el desempeño de estos dos modelos bajo diferentes combinaciones de tamaño de muestra y porcentaje de censura, mediante un diseño de simulación estadística. La simulación consideró escenarios con tamaños muestrales entre 20 y 1000 observaciones, y niveles de censura del 0%, 15%, 30% y 60%, evaluando métricas como el error cuadrático medio (ECM) y el sesgo de estimación del coeficiente de riesgo. Los resultados mostraron que el modelo de Cox presenta un mejor desempeño en condiciones de censura elevada y tamaños de muestra pequeños o moderados, mientras que el modelo de Weibull mejora su rendimiento conforme aumenta el tamaño de la muestra, aunque mantiene cierta sensibilidad frente a la pérdida de información por censura. El presente trabajo tuvo como objetivo comparar el desempeño de estos dos modelos bajo diferentes combinaciones de tamaño de muestra y porcentaje de censura, mediante un diseño de simulación estadística. La simulación consideró escenarios con tamaños muestrales entre 20 y 1000 observaciones, y niveles de censura del 0%, 15%, 30% y 60%, evaluando métricas como el error cuadrático medio (ECM) y el sesgo de estimación del coeficiente de riesgo. Los resultados mostraron que el modelo de Cox presenta un mejor desempeño en condiciones de censura elevada y tamaños de muestra pequeños o moderados, mientras que el modelo de Weibull mejora su rendimiento conforme aumenta el tamaño de la muestra, aunque mantiene cierta sensibilidad frente a la pérdida de información por censura.spa
dc.description.abstractSurvival analysis is an essential statistical tool in studies where the time to event occurrence is of interest. This type of analysis is characterized by the frequent presence of censored data, which requires the application of specialized methods that allow for accurate and robust estimation of model parameters. In this context, Cox and Weibull regression models have established themselves as widely used approaches. The Cox model, being semiparametric in nature, does not assume a specific form for the hazard function, while the Weibull model, being parametric, imposes a specific structure for said function, allowing for interpretation of hazard behavior over time. The present work aimed to compare the performance of these two models under different combinations of sample size and censoring percentage, using a statistical simulation design. The simulation considered scenarios with sample sizes ranging from 20 to 1,000 observations, and censoring levels of 0%, 15%, 30%, and 60%, evaluating metrics such as the mean square error (MSE) and the hazard ratio estimation bias. The results showed that the Cox model performed better under high censoring conditions and small or moderate sample sizes, while the Weibull model improved its performance as sample size increased, although it remained somewhat sensitive to information loss due to censoring.eng
dc.description.abstractA análise de sobrevivência é uma ferramenta estatística essencial em estudos que envolvem o tempo até a ocorrência do evento. Esse tipo de análise é caracterizado pela presença frequente de dados censurados, o que requer a aplicação de métodos especializados que permitam estimativas precisas e robustas dos parâmetros do modelo. Nesse contexto, os modelos de regressão de Cox e Weibull se consolidaram como abordagens amplamente utilizadas. O modelo de Cox, por ser semiparamétrico, não assume uma forma específica para a função de risco, enquanto o modelo de Weibull, por ser paramétrico, impõe uma estrutura específica para essa função, permitindo a interpretação do comportamento do risco ao longo do tempo. O presente trabalho teve como objetivo comparar o desempenho desses dois modelos sob diferentes combinações de tamanho amostral e porcentagem de censura, utilizando um delineamento de simulação estatística. A simulação considerou cenários com tamanhos amostrais variando de 20 a 1.000 observações e níveis de censura de 0%, 15%, 30% e 60%, avaliando métricas como o erro quadrático médio (MSE) e o viés de estimativa da razão de risco. Os resultados mostraram que o modelo de Cox apresentou melhor desempenho em condições de alta censura e tamanhos amostrais pequenos ou moderados, enquanto o modelo de Weibull melhorou seu desempenho com o aumento do tamanho amostral, embora tenha permanecido relativamente sensível à perda de informação devido à censura.por
dc.description.abstractDie Überlebensanalyse ist ein wichtiges statistisches Instrument in Studien, bei denen die Zeit bis zum Auftreten eines Ereignisses von Interesse ist. Diese Art der Analyse zeichnet sich durch das häufige Vorhandensein zensierter Daten aus, was die Anwendung spezialisierter Methoden erfordert, die eine genaue und robuste Schätzung der Modellparameter ermöglichen. In diesem Zusammenhang haben sich Cox- und Weibull-Regressionsmodelle als weit verbreitete Ansätze etabliert. Das semiparametrische Cox-Modell nimmt keine spezifische Form für die Hazard-Funktion an, während das parametrische Weibull-Modell dieser Funktion eine spezifische Struktur auferlegt, die die Interpretation des Hazard-Verhaltens im Zeitverlauf ermöglicht. Ziel der vorliegenden Arbeit war es, die Leistung dieser beiden Modelle bei verschiedenen Kombinationen von Stichprobengröße und Zensurprozentsatz anhand eines statistischen Simulationsdesigns zu vergleichen. Die Simulation berücksichtigte Szenarien mit Stichprobengrößen von 20 bis 1.000 Beobachtungen und Zensurstufen von 0 %, 15 %, 30 % und 60 % und bewertete Kennzahlen wie den mittleren quadratischen Fehler (MSE) und den Hazard-Ratio-Schätzbias. Die Ergebnisse zeigten, dass das Cox-Modell unter Bedingungen hoher Zensur und bei kleinen bis mittleren Stichprobengrößen eine bessere Leistung zeigte, während das Weibull-Modell seine Leistung mit zunehmender Stichprobengröße verbesserte, obwohl es weiterhin empfindlich auf Informationsverluste durch Zensur reagierte.deu
dc.description.degreelevelPregrado
dc.description.degreenameEstadístico(a)
dc.description.modalityArtículo
dc.description.tableofcontents1. Resumenspa
dc.description.tableofcontents2. Introducciónspa
dc.description.tableofcontents3. Descripción del problemaspa
dc.description.tableofcontents4. Justificaciónspa
dc.description.tableofcontents5. Objetivosspa
dc.description.tableofcontents5.1. Generalspa
dc.description.tableofcontents5.2. Específicosspa
dc.description.tableofcontents6. Metodologíaspa
dc.description.tableofcontents6.1. Diseño de la simulaciónspa
dc.description.tableofcontents6.1.1. Generación de los datosspa
dc.description.tableofcontents6.1.2. Incorporación de la censuraspa
dc.description.tableofcontents6.1.3. Escenarios simulados y número de réplicasspa
dc.description.tableofcontents6.1.4. Cálculo del sesgo y ECMspa
dc.description.tableofcontents7. Estado de arte y marco téoricospa
dc.description.tableofcontents7.1. Estado de artespa
dc.description.tableofcontents7.2. Marco Téoricospa
dc.description.tableofcontents7.2.1. Análisis de sobrevivenciaspa
dc.description.tableofcontents7.2.2. Censura y tipos de Censuraspa
dc.description.tableofcontents7.2.3. Modelos de Regresión Weibullspa
dc.description.tableofcontents7.2.4. Modelos de Regresión Coxspa
dc.description.tableofcontents8. Resultadosspa
dc.description.tableofcontents8.1. Resultados de la simulaciónspa
dc.description.tableofcontents8.2. Resultados prácticosspa
dc.description.tableofcontents8.2.1. Modelo Coxspa
dc.description.tableofcontents8.2.2. Modelo Weibullspa
dc.description.tableofcontents9. Conclusionesspa
dc.description.tableofcontents10. Recomendacionesspa
dc.description.tableofcontents11. Trabajos futurosspa
dc.description.tableofcontents12. Referenciasspa
dc.description.tableofcontents13 Anexospa
dc.format.mimetypeapplication/pdf
dc.identifier.instnameUniversidad de Córdoba
dc.identifier.reponameRepositorio Institucional Unicórdoba
dc.identifier.repourlhttps://repositorio.unicordoba.edu.co
dc.identifier.urihttps://repositorio.unicordoba.edu.co/handle/ucordoba/9229
dc.language.isospa
dc.publisherUniversidad de Córdoba
dc.publisher.facultyFacultad de Ciencias Básicas
dc.publisher.placeMontería, Córdoba, Colombia
dc.publisher.programEstadística
dc.relation.references[1] Armesto, d., & España, b. (2011). análisis de sobrevivencia. revista electrónica de biomedicina, 2, 53-58.
dc.relation.references[2] Moore, D. F. (2016). Applied survival analysis using R (Vol. 473, pp. 1-10). Cham: Springer.
dc.relation.references[3] Ortega Páez, E., & Arias, M. (2023). Estudios de sobrevivencia. Modelo de riesgos proporcionales. Regresión de Cox. Estudios, 19(4).
dc.relation.references[4] Boj del Val, E. (2014). El modelo de regresi´on de Cox.
dc.relation.references[5] Faster Capital. (2021). Distribución Weibull.
dc.relation.references[6]Fracttal. (2021). Pasos para realizar el análisis Weibull.
dc.relation.references[7] Fernando, C. (2021). sobrevivencia y series.
dc.relation.references[8] Montoya, J. R., Regino, E., & Gómez, S. Y. G. (2017). Comparación de métodos de estimación en regresión de Cox. Comunicaciones en Estadística, 10(1), 101-112.
dc.relation.references[9] García Palencia, O. (2004). La confiabilidad basada en la distribución Weibull, fundamento para la optimización del mantenimiento industrial.
dc.relation.references[10] Klein, J. P., & Moeschberger, M. L. (2006). Survival analysis: techniques for censored and truncated data. Springer Science & Business Media.
dc.relation.references[11] Salinas, M. (2008). Modelos de regresión VI. Análisis de sobrevivencia. Ciencia y Trabajo, 28, 75-78.
dc.relation.references[12] Jaramillo Elorza, M. C. (2013). Bandas de confianza para un modelo de regresión con datos de sobrevivencia con censura arbitraria (Doctoral dissertation).
dc.relation.references[13] Iglesias, V., Cavada, G., Silva, C., & Cáceres, D. (2007). Consumo precoz de tabaco y alcohol como factores modificadores del riesgo de uso de marihuana. Revista de Sáude Pública, 41, 517-522.
dc.relation.references[14] Rodríguez, P., & López, C. (2022). Comparación de algunos métodos para estimar el modelo de riesgos proporcionales de Cox para datos con censura a intervalo. Revista Ciencia en Desarrollo.
dc.relation.references[15] Lee, H., & Kim, S. (2023). A Monte Carlo Simulation Study on the Impact of Censoring in Survival Analysis Models. Springer Statistical Analysis.
dc.relation.references[16] Quiceno Valderrama, C., y Castellanos Domínguez, O. (2022). Comparación de Métodos de Estimación en Regresión de Cox.
dc.relation.references[17] Silva, R. (2023). Um estudo comparativo de novos modelos de regressao paramétricos para dados de sobrevivéncia. Disertación de Maestría, USP.
dc.rightsCopyright Universidad de Córdoba, 2025
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2
dc.rights.licenseAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject.keywordsHazard ratio
dc.subject.keywordsSurvival Analysis
dc.subject.keywordsCox Model
dc.subject.keywordsWeibull Model
dc.subject.keywordsComputer Simulation
dc.subject.keywordsCensoring
dc.subject.keywordsFailure Times
dc.subject.keywordsPractical Application
dc.subject.keywordsMean Squared Error (MSE)
dc.subject.keywordsBias
dc.subject.keywordsAssumption Validation
dc.subject.keywordsCensored Data
dc.subject.keywordsChildhood Cancer
dc.subject.proposalAnálisis de supervivencia
dc.subject.proposalModelo de Cox
dc.subject.proposalModelo de Weibull
dc.subject.proposalSimulación computacional
dc.subject.proposalCensura
dc.subject.proposalTiempos de falla
dc.subject.proposalRazón de riesgo
dc.subject.proposalError cuadrático medio (ECM)
dc.subject.proposalSesgo
dc.subject.proposalValidación de supuestos
dc.subject.proposalAplicación práctica
dc.subject.proposalDatos censurados
dc.subject.proposalCáncer infantil (2021)
dc.titleEfecto de la censura en modelos de regresión Weibull y regresión de Coxspa
dc.typeTrabajo de grado - Pregrado
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.type.coarversionhttp://purl.org/coar/version/c_ab4af688f83e57aa
dc.type.contentText
dc.type.driverinfo:eu-repo/semantics/bachelorThesis
dc.type.versioninfo:eu-repo/semantics/acceptedVersion
dspace.entity.typePublication
Archivos
Bloque original
Mostrando 1 - 2 de 2
Miniatura
Nombre:
Yepes Ibarguen, Kevin Alejandro.pdf
Tamaño:
2.85 MB
Formato:
Adobe Portable Document Format
Descargar
No hay miniatura disponible
Nombre:
Formato Trabajo de Grado.pdf
Tamaño:
3.45 MB
Formato:
Adobe Portable Document Format
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
15.18 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar
Colecciones
B.F.K. Artículos