Non-parametric maximum likelihood based method to handle a left-censored covariate in a regression model.

Abstract

In veel vakgebieden komt links-gecensureerd data regelmatig voor door de aanwezigheid van een detectielimiet bij veel meetapparatuur. Wanneer deze links-gecensureerd data gebruikt wordt in een regressiemodel duiken er problemen op. In het verleden zijn methodes ontwikkeld voor de situatie waarbij enkel de respons gecensureerd is. Wanneer ook de covariaat in het regressiemodel gecensureerd is, wordt de situatie ingewikkelder. In deze situatie grijpt men vaak terug naar methodes zoals een ‘complete case analysis’ of de substitutiemethode. Deze methodes worden echter niet aanbevolen omdat ze onzuivere en inefficiënte schatters produceren. Om afstand te nemen van deze methodes ontwikkelde Tran et al. een maximale likelihood gebaseerde methode waarbij een parametrische aanname wordt gemaakt over de distributie van de covariaat. In deze thesis werd een maximale likelihood gebaseerde methode ontwikkeld die geen aanname doet over de distributie van de covariaat. Aan de hand van simulaties werd de prestatie van de nieuwe methode onderzocht in verschillende situaties van hoeveelheden censurering in X en Y. Ook werd de methode vergeleken met de resultaten van een ‘complete case analysis’ en de substitutie methode. De simulaties toonde aan dat de methode, ontwikkeld in deze thesis, zuivere en efficiënte schatters oplevert voor alle parameters van het regressiemodel. Ook werd aangetoond dat de methode beter presteerde dan de ‘complete case analysis’ en de substitutiemethode.