Modelos Mixtos

GAMM (Generalized Additive Mixed Models) y bootstrap paramétrico

GAMM, transformaciones y bootstrap para trayectorias no lineales.

Datasets: Datos de crecimiento infantil simulados

Objetivos de aprendizaje

  • Ajustar mgcv::gamm para capturar curvas suaves.
  • Interpretar funciones suavizadas y efectos aleatorios.
  • Explorar transformaciones y distribuciones t.
  • Realizar bootstrap para inferencia robusta.

Los modelos aditivos mixtos (mgcv::gamm) permiten capturar curvas suaves sin imponer una forma paramétrica. En contextos pediátricos o de biomarcadores, las trayectorias no son lineales, y GAMM combina la flexibilidad de GAM con los efectos aleatorios de los LMM.

Flujo del módulo

  1. Construye una base spline suave para tiempo y añade efectos aleatorios en el intercepto y la pendiente.
  2. Usa mgcv::gamm() para ajustar y visualiza tanto la curva marginal como los perfiles individuales.
  3. Discute transformaciones y distribuciones t para abordar la falta de normalidad, y sugiere bootstrap paramétrico para inferencia robusta.

Flashcard

Flashcard: ¿Qué ventaja tiene usar GAMM sobre un LMM tradicional? Respuesta: Captura la no linealidad sin tener que especificar manualmente polinomios o knots.

Ajuste GAMM con mgcv
Bootstrap paramétrico para coeficientes