Uso de modelos aditivos generalizados mixtos en la comparación de tipos de mortero en diferentes configuraciones
DOI:
https://doi.org/10.33448/rsd-v11i6.29160Palabras clave:
Modelos aditivos generalizados mixtos; Datos longitudinales; Regresión no paramétrica; P-splines.Resumen
Los modelos aditivos generalizados mixtos (GAMM) son útiles cuando la naturaleza de los datos es longitudinal, que incluyen la no linealidad de las trayectorias individuales de los sujetos, asociándolas a la suposición de la existencia de efectos aleatorios para cada individuo. En estos modelos es posible reescribir el predictor como una suma de funciones no paramétricas suaves y luego usar la técnica suave P-spline. Así, utilizando los modelos mixtos aditivos generalizados con P-splines, este artículo tiene como objetivo verificar el impacto de los tipos de morteros y los niveles de concentración de un contenido de aditivo en la evolución del peso del mortero contenido en las muestras a lo largo del tiempo, verificando posibles diferencias entre combinaciones. de tipos y concentración. En relación a los resultados, se observó a través de los análisis que existían diferencias significativas en las curvas estimadas de evolución del peso en ambos tipos de mortero, concluyendo que el mortero madurado tiene una velocidad de absorción de agua por capilaridad superior al mortero seco. Se han satisfecho todos los supuestos necesarios para la validez del modelo.
Citas
Achmad R. F. A., Janssen, P., Sa’adah, U., Solimun, E. A., & Nurjannah A. L. (2018). Comparison of spline estimator at various levels of autocorrelation in smoothing spline non parametric regression for longitudinal data. Communications in Statistics-Theory and Methods, Taylor & Francis 47:5265-5285.
Andrinopoulou, E. R., Eilers, P. H., Takkenberg, J. J., & Rizopoulos, D. (2018). Improved dynamic predictions from joint models of longitudinal and survival data with time-varying effects using P-splines. Biometrics, Wiley Online Library 74:685-693.
Baayen, R. H., van Rij, J., de Cat, C., & Wood, S. (2018). Autocorrelated errors in experimental data in the language sciences: Some solutions offered by Generalized Additive Mixed Models. Mixed-effects regression models in linguistics, Springer, Cham pp. 49-69.
Benedetti, A., Abrahamowicz, M., & Goldberg, M. S. (2009). Accounting for Data-Dependent Degrees of Freedom Selection When Testing the Effect of a Continuous Covariate in Generalized Additive Models. Communications in Statistics - Simulation and Computation 38(5):1115-1135.
Canova, J.A., de Angelis N. G., & Bergamasco, R. (2009). Mortar with unserviceable tire residues. Journal of Urban and Environmental Engineering, JSTOR 3:63-72.
Canova, J.A., de Angelis N. G., & Bergamasco, R. (2015). Pó de borracha de pneus inservíveis em argamassa de revestimento. REEC-Revista Eletrônica de Engenharia Civil 10:41-53.
Corbeil, R. R., & Searle, S. R. (1976). Restricted maximum likelihood (REML) estimation of variance components in the mixed model. Technometrics, Taylor & Francis 18:31-38.
Currie, I. D., & Durbán, M. (2002). Flexible smoothing with P-splines: a unified approach. Statistical Modelling, Sage Publications Sage CA: Thousand Oaks, CA 2:333-349.
Craven, P., & Wahba, G. (1978). Smoothing noisy data with spline functions. Numerische mathematik, Springer 31:377-403.
da Silva, B. G., Guedes, T. A., Janeiro, V., Ferreira, E. C., de Araújo, S. M., & Ciupa, L. (2020). Analyzing weight evolution in mice infected by Trypanosoma cruzi. Acta Scientiarum. Health Sciences 42:e51437- e51437.
de Jong, R., van Buuren, S., & Spiess, M. (2015). Multiple Imputation of Predictor Variables Using Generalized Additive Models. Communications in Statistics - Simulation and Computation 45(3):968-985.
Durbán, M., Harezlak, J., Wand, M.P., & Carroll, R.J. (2005). Simple fitting of subject-specific curves for longitudinal data. Statistics in medicine, Wiley Online Library 24:1153-1167.
Durbán, M. (2007). Splines con penalizaciones: Teoría y aplicaciones. Universidad Pública de Navarra, 60p.
Eilers, P.H.C., & Marx, B. D. (1996). Flexible smoothing with B-splines and penalties. Statistical science, JSTOR 89-102.
Friedman, J., Hastie, T., & Tibshirani, R. (2001). The elements of statistical learning. Vol.1. No 10. New York: Springer series in statistics.
Garcia-Hernandez, A., & Rizopoulos, D. (2018). %JM: A SAS Macro to Fit Jointly Generalized Mixed Models for Longitudinal Data and Time-to-Event Responses. Journal of Statistical Software 84:1-29.
Gressani, O., & Lambert, P. (2021). Laplace approximations for fast Bayesian inference in generalized additive models based on P-splines. Computational Statistics & Data Analysis, 154, 107088.
Hastie, T. J., & Tibshirani, R. J. (1990). Generalized additive models. Vol. 43. CRC press.
Hernando V. L., & Paula, G. A. (2016). An extension of log-symmetric regression models: R codes and applications. Journal of Statistical Computation and Simulation 86:1709-1735.
Islamiyati, A., Fatmawati., & Chamidah, N. (2019). Ability of Covariance Matrix in Bi-Response Multi- Prredictor Penalized Spline Model Through Longitudinal Data Simulation. International Journal of Academic and Applied Research 3:8-11.
Keele, L., & Keele, L. (2008). Semiparametric regression statistic for the science. Chichester: Wiley. pp 231.
Lin, X., & Zhang, D. (1999). Inference in generalized additive mixed modelsby using smoothing splines. Journal of the royal statistical society: Series b (statistical methodology), Wiley Online Library 61:381-400.
McKeown, G. J., & Sneddon, I. (2014). Modeling continuous self-report measures of perceived emotion using generalized additive mixed models. Psychological methods, American Psychological Association 19:155-174.
Momen, M., Campbell, M. T., Walia, H., & Morota, G. (2019). Predicting longitudinal traits derived from highthroughput phenomics in contrasting environments using genomic Legendre polynomials and B-splines. G3: Genes, Genomes, Genetics 9:3369-3380.
Nores, M., & Díaz, M. (2016). Bootstrap hypothesis testing in generalized additive models for comparing curves of treatments in longitudinal studies. Journal of Applied Statistics, Taylor & Francis. 43:810-826.
Patterson, H. D., & Thompson, R. (1971). Recovery of inter-block information when block sizes are unequal. Biometrika, Oxford University Press 58:545-554.
Pinheiro, J. C., & Bates, D. M. (2006). Mixed-effects models in S and S-PLUS. Springer Science & Business Media.
Polansky, L., & Robbins, M. M. (2013). Generalized additive mixed models for disentangling long-term trends, local anomalies, and seasonality in fruit tree phenology. Ecology and Evolution, Wiley Online Library 3:3141-3151.
Prawanti, D. D., Budiantara, I. N., & Purnomo, J. D. (2019). Parameter Interval Estimation of Semiparametric Spline Truncated Regression Model for Longitudinal Data. IOP Conference Series: Materials Science and Engineering, IOP Publishing 546:1-10.
R Core Team. (2022). R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria, https://www.R-project.org/.
Rilem, T.C. (1994). RILEM recommendations for the testing and use of constructions materials. RC 6:218- 220.
Ruppert, D., Wand, M. P., & Carroll, R. J. (2003). Semiparametric regression. No. 12. Cambridge university press, 386p.
Schaeffer, L.R. (2004). Application of random regression models in animal breeding. Livestock Production Science, Elsevier 86:35-45.
Shadish, W. R., Zuur, A. F., & Sullivan, K. J. (2014). Using generalized additive (mixed) models to analyze single case designs. Journal of school psychology, Elsevier 52:149-178.
Sudo, M., Sato, Y., & Yorozuya, H. (2021). Time-course in attractiveness of pheromone lure on the smaller tea tortrix moth: a generalized additive mixed model approach. Ecological Research, 36(4), 603-616.
Toshniwal, D., Speleers, H., Hiemstra, R. R., & Hughes, T. J. (2017). Multi-degree smooth polar splines: A framework for geometric modeling and isogeometric analysis. Computer Methods in Applied Mechanics and Engineering, Elsevier 316:1005-1061.
Wood, S. N. (2017). Generalized additive models: an introduction with R. Chapman and Hall/CRC press, 384p.
Zhang, X., Zhong, Q., & Wang, J. L. (2020). A new approach to varying-coefficient additive models with longitudinal covariates. Computational Statistics & Data Analysis, Elsevier 145:1-15.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2022 Breno Gabriel da Silva; Willian Luís de Oliveira; Terezinha Aparecida Guedes; Vanderly Janeiro; José Aparecido Canova
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores que publican en esta revista concuerdan con los siguientes términos:
1) Los autores mantienen los derechos de autor y conceden a la revista el derecho de primera publicación, con el trabajo simultáneamente licenciado bajo la Licencia Creative Commons Attribution que permite el compartir el trabajo con reconocimiento de la autoría y publicación inicial en esta revista.
2) Los autores tienen autorización para asumir contratos adicionales por separado, para distribución no exclusiva de la versión del trabajo publicada en esta revista (por ejemplo, publicar en repositorio institucional o como capítulo de libro), con reconocimiento de autoría y publicación inicial en esta revista.
3) Los autores tienen permiso y son estimulados a publicar y distribuir su trabajo en línea (por ejemplo, en repositorios institucionales o en su página personal) a cualquier punto antes o durante el proceso editorial, ya que esto puede generar cambios productivos, así como aumentar el impacto y la cita del trabajo publicado.
