Estimadores robustos de las curvas ROC condicionales con covariables funcionales

Graciela Boente

Profesora del Departamento de Matemática, FCEN UBA

Investigadora del CONICET, Instituto de Cálculo 

Miércoles 9 de agosto

Cero+Infinito, 1er piso, Salón 2119 (Esquina)

Resumen:
La curva ROC es una herramienta útil para medir la capacidad discriminatoria de una variable continua, usualmente llamada biomarcador, registrada para evaluar la exactitud de una prueba diagnóstica que distingue entre dos condiciones.

En esta charla, nos centraremos en situaciones en las que la presencia de covariables relacionadas con el biomarcador puede aumentar el poder de discriminación de la curva ROC.

Nuestra motivación  es la creencia extendida de que las curvas ROC son robustas. Daremos ejemplos que muestran la sensibilidad de los procedimientos usuales cuando hay datos atípicos en la muestra, lo que sugiere la necesidad de introducir estimadores resistentes ante su presencia.

La propuesta que describiremos se basa en un enfoque semiparamétrico en el que en un primer paso, para cada muestra se ajusta en forma robusta un modelo de regresión al biomarcador. Luego, se consideran estimadores adaptivos de las funciones de distribución de los errores de modo a lograr que residuos grandes tengan menor efecto en la estimación. Los estimadores finales de la curva ROC se obtienen mediante un procedimiento plug-in. Consideraremos tanto el caso de covariables reales como covariables funcionales. En el contexto de covariables funcionales, describiremos brevemente algunos de los procedimientos robustos existentes para ajustar modelos de regresión con datos funcionales.