Search

In recent years, much research has been devoted to solve the problem of missing data imputation. Although most of the novel proposals look attractive for some reason, less attention has been paid to the problem of when and why a particular method should be chosen while discarding the others. This matter is far crucial in applications, given that unsuitable solutions could heavily affect the reliability of statistical analyses. Starting from this, this work is addressed to study how well several algorithmic-type imputation methods perform in the case of quantitative data. We focus on three different logics of imputing, based respectively on the use of random forests, iterative PCA, and the forward procedure. In particular, the latter, having initially been introduced for ordinal data, has required us to develop an original adaptation so that it handles missing quantitative values.

Dissimilarity profile analysis (DPA) is introduced as an explorative tool for object-oriented data analysis techniques that address the problem of latent dimension extraction by using proximity measures. Potentialities of DPA are shown within a case study from Italian universities, where undergraduate courses are examined with respect to students' enrolment, career, and degree attainment.

The Forward Search (FS) is a general methodology developed to disclose hidden patterns or potential anomalies in data. Its standard application requires the knowledge of a starting data matrix, but in several situations it could be not available. This problem arises particularly when proximity data are involved. In this work, we propose a method to extend the FS to a specific kind of proximities, i.e. dissimilarity measures which can be organized in square symmetric matrices.

In this paper, we propose an exploratory method for assessing individual treatment effectiveness over repeated measures, when the number of measurement occasions depends on whether subjects fulfil or not certain conditions. We address this situation with the concept of “structurally missing occasions”. Our method involves three main steps. Firstly, we apply several strategies to overcome the problem of different numbers of occasions available for subjects. Secondly, given that data we consider are of “subjects-by-variablesby- occasions” type, we apply a specific multiway data analysis technique, using an iterative schema, for setting up indicators and assessing treatment effectiveness. In this context, we will focus on three-way multidimensional scaling, in that we adopt a subjectoriented approach to analyses. Finally, indicator trends can be studied over the different occasions by means of suitable graphical tools. To demonstrate the potential of our method, we consider a case study, based on data pertaining to personalized treatments for obesity and provided by the International Center for the Assessment of Nutritional Status (ICANS), University of Milan.

The purpose of this work is to extend the Forward Search in metric multidimensional scaling as a diagnostic tool for detecting outlying units and monitoring their influences on the relevant analysis results. A case study from a clinical setting is then considered.

Obiettivi. Nel dibattito degli ultimi anni sul tema della soddisfazione dei pazienti si è sottolineato più volte che essendo questa la dimensione forse più intangibile della qualità dei servizi sanitari è necessario ispirarsi a modelli concettuali che delineino in modo chiaro e traducano in termini operativi i suoi aspetti essenziali. Tuttavia, quando il ricorso a tali modelli risulta poco praticabile conviene semplificare il sistema teorico di riferimento e rimandare ex-post all’analisi statistica la valutazione dell’affidabilità dei risultati ottenuti. Questo lavoro si propone di affrontare il tema prendendo spunto da un’indagine condotta in via sperimentale su un insieme di pazienti del reparto di medicina interna dell’Ospedale Luigi Sacco di Milano. Metodi e Risultati. Il lavoro si basa su di una applicazione in sequenza di alcuni metodi statistici al fine di identificare tipologie di pazienti rispetto alla soddisfazione percepita del servizio, e in modo da tener conto della complessità del quadro clinico e dell’efficacia dei trattamenti somministrati. Per la costruzione degli indicatori sui quali si basa l’identificazione delle tipologie si è utilizzato il multildimensional scaling classico. Per la successiva valutazione della stabilità dei risultati si è condotta un’analisi di sensibilità mediante il ricorso al jackknife, a cui è seguita l’applicazione della Forward Search per approfondire lo studio di eventuali risultati anomali. Conclusioni. La combinazione dei metodi statistici qui impiegata si è rivelata particolarmente efficace nel delineare in modo chiaro alcune tipologie di pazienti rispetto alla soddisfazione percepita del servizio.

In questo lavoro il binomio robustezza–modelli multilivello viene affrontato secondo due diverse accezioni: la robustezza nei modelli multilivello e i modelli multilivello come procedura robusta. Nel primo caso vengono discusse le proprietà statistiche degli usuali stimatori dei parametri dei modelli multilivello quando è violata l’ipotesi di normalità delle componenti erratiche. Nel secondo, il modello multilivello è utilizzato come approccio robusto al problema della taratura statistica in presenza di dati raggruppati. Lo stesso viene poi comparato con modelli alternativi mediante uno studio di simulazione.

This work is devoted to the implementation of an integrated set of methods of multivariate statistical analysis in order to account for the dynamism in the process that from health leads to illness. To this purpose, a specific clinical state is focused on: the Metabolic Syndrome.

In this paper two procedures for random variate generation for the family of Multivariate Exponential Power (MEP) distributions are developed and then compared. By conveniently expressing MEP distributions in terms of mixture of random variables, a simple and fast procedure based on transformation approach is proposed. Another procedure, based on a general acceptance-rejection (AR) technique for multivariate orthounimodal densities, is considered. As expected, the transformation-based procedure is considerably less time-consuming than the other one. Furthermore, this study allows us to evaluate to which extent generalizations of AR methods could be computationally less efficient than a transformation one for the type of multivariate distributions considered.

Uno studio condotto sui dati delle Elezioni Amministrative Regionali 2000 in Lombardia (Ferrari, Solaro, Testa (2001)) ha portato a evidenziare quali determinanti del comportamento elettorale lombardo: il territorio, la dimensione comunale e le caratteristiche socio-demografiche. In particolare, da quella analisi, condotta a livello di comune, è risultato evidente come i comportamenti elettorali abbiano una chiara collocazione territoriale: essi si presentano, infatti, simili in comuni appartenenti di preferenza ad una stessa provincia o a province contigue. È stato inoltre osservato come tale influenza territoriale si affievolisca passando dai piccoli, ai medi e ai grandi centri e come, in relazione alle dimensioni comunali ma nell’ambito della stessa collocazione territoriale, varino le preferenze nei confronti di alcune formazioni politiche. Il presente lavoro si propone di analizzare in modo più approfondito i legami esistenti fra comportamenti elettorali e variabili socio-demografiche. Per inquadrare meglio il lavoro nell’ambito degli studi sulle relazioni fra il voto e le variabili socio-demografiche che possono influenzarlo, si ricorda che la letteratura sull’argomento si è sviluppata seguendo due principali approcci: quello della cosiddetta analisi “ecologica”, che si basa su dati aggregati, e quello motivazionale, condotto attraverso indagini campionarie e realizzato su singoli individui. L’analisi qui proposta rientra nella prima categoria. Rispetto ad altri lavori analoghi essa si caratterizza sia per l’elevato livello di disaggregazione dei dati impiegati, sia per la metodologia utilizzata. Per quanto riguarda il primo aspetto, si sono analizzate le sezioni elettorali anziché i comuni, adottando quindi il maggior livello di disaggregazione possibile. Essendo però i risultati elettorali, come è stato evidenziato, legati in Lombardia alla collocazione territoriale e alle dimensioni comunali, si è ritenuto opportuno effettuare l’analisi coinvolgendo le sezioni elettorali di un unico comune, in modo da tenere sotto controllo la dimensione comunale e il territorio. Inoltre, la necessità di disporre di un numero di unità (sezioni) sufficientemente elevato ha portato a far riferimento ad una città di grandi dimensioni. La scelta è caduta sul comune di Brescia, che ben soddisfa le caratteristiche richieste. Con riferimento alla metodologia impiegata, l’analisi qui condotta utilizza metodi di tipo esplorativo e si sviluppa in più fasi successive: la prima prevede la costruzione di gruppi di sezioni elettorali omogenei rispetto alle preferenze politiche manifestate dagli elettori; la seconda consiste nell’esame dei valori assunti dalle variabili socio-demografiche nei singoli raggruppamenti al fine di spiegare similitudini o differenze riscontrate e, in definitiva, i differenti comportamenti elettorali osservati. Nelle fasi successive, data la correlazione esistente fra le variabili socio-demografiche impiegate, si individuano tipologie socio-demografiche di elettori, che sono poi studiate in relazione al loro legame con le percentuali di voto dei differenti partiti. Infine, le diverse tipologie vengono utilizzate per prevedere la collocazione politica degli elettori.

We examine maximum likelihood estimation procedures in multilevel models related to two-level hierarchically structured data. Usually, for fixed effects and variance components estimation, multivariate normal distribution is assumed. Here we consider for random effects multivariate exponential power distribution (MEP), which represents one of the possible generalizations of multivariate normal distribution. We examine robustness of maximum likelihood estimators under normal assumption when, indeed, random effects are MEP distributed. The study is conducted through MC simulation procedures.