Análise de modelos mistos para dados longitudinais na área da medicina veterinária via inferência Bayesiana

Abstract

Os estudos de modelos lineares mistos (LMMs) têm-se tornado o foco em análise de experimentos em que as medidas são repetidas (dados longitudinais) em diversas áreas, tais como biomédica, agrícola e afins. Nestes tipos de pesquisas as observações são provenientes da mesma unidade experimental, havendo uma correlação entre elas que deve ser considerada na estimação dos parâmetros. Por sua vez, a inferência Bayesiana para os LMMs é uma ferramenta poderosa para lidar com dados longitudinais, geralmente na modelagem de interceptos e inclinações aleatórias sem enfrentar os requisitos de tamanho de amostra rigorosos que ocorrem em abordagens frequentistas e além disso o conhecimento prévio sobre parâmetros podem ser incorporados ao modelo mediante prioris informativas ou não. O objetivo deste estudo foi aplicar modelos lineares mistos com cinco tipos de estruturas de matrizes de variância e covariância, por meio de uma abordagem Bayesiana, para analisar os dados de um estudo longitudinal na área de medicina veterinária mediante o software R e JAGS. Os resultados encontrados permitiram concluir que o uso das estruturas de covariância para as medidas repetidas de interceptos e inclinações por cada unidade experimental via inferência Bayesiana com priori não informativa foi adequada e que não houve alterações significativas após o exercício de plataforma das temperaturas nas regiões estudadas.

Studies of linear mixed models (LMMs) have become the focus on analyzing experiments in which measurements are repeated (longitudinal data) in several areas, such as biomedical, agricultural and similar. In these types of research, the observations come from the same experimental unit, with a correlation between them that must be considered when estimating the parameters. In turn, Bayesian inference for LMMs is a powerful tool for dealing with longitudinal data, generally in modeling random intercepts and slopes without facing the stringent sample size requirements that occur in frequentist approaches and in addition the prior knowledge about parameters they can be incorporated into the model through informative or non-informative priors. The objective of this study was to apply linear mixed models with five types of variance and covariance matrix structures, using a Bayesian approach, to analyze data from a longitudinal study in the area of veterinary medicine using software R and JAGS. The results found allowed us to conclude that the use of covariance structures for repeated measurements of intercepts and slopes for each experimental unit via Bayesian inference with non-informative priori was adequate and that there were no significant changes after the temperature platform exercise in the regions studied.