An Optimal Design Criterion for Within-Individual Covariance Matrices Discrimination and Parameter Estimation in Nonlinear Mixed Effects Models

• Autores: María Eugenia Castañeda-López, Víctor Ignacio López Ríos
• Localización: Revista Colombiana de Estadística, ISSN-e 2389-8976, ISSN 0120-1751, Vol. 43, Nº. 2, 2020, págs. 127-141
• Idioma: inglés
• Títulos paralelos:
  • Un criterio de diseño optimal para discriminación de matrices de covarianza intra-individual y estimación de parámetros en modelos de efectos mixtos no lineales
• Enlaces
  • Texto completo
• Resumen
  • español

    Resumen En este artículo se considera el problema de encontrar diseños óptimos poblacionales para discriminación entre matrices de covarianza intra-individual y estimación de parámetros en modelos de efectos mixtos no lineales. Se propone un criterio compuesto que combina un criterio para estimación y otro para discriminación. Para estimación se usa el criterio de D-optimalidad el cual maximiza el determinante de la matriz de información de Fisher. Para discriminación se propone una generalización del criterio de T-optimalidad para modelos de efectos fijos. Para estos criterios se proporcionan los respectivos teoremas de equivalencia. La aplicación del criterio compuesto se ilustra con un ejemplo en un experimento de farmacocinética.

  • English

    Abstract In this paper, we consider the problem of finding optimal population designs for within-individual covariance matrices discrimination and parameter estimation in nonlinear mixed effects models. A compound optimality criterion is provided, which combines an estimation criterion and a discrimination criterion. We used the D-optimality criterion for parameter estimation, which maximizes the determinant of the Fisher information matrix. For discrimination, we propose a generalization of the T-optimality criterion for fixed-effects models. Equivalence theorems are provided for these criteria. We illustrated the application of compound criteria with an example in a pharmacokinetic experiment.