A Bayesian approach for misclassified ordinal response data

Abstract

Motivated by a longitudinal oral health study, the Signal-Tandmobiel© study, a Bayesian approach has been developed to model misclassified ordinal response data. Two regression models havebeen considered to incorporate misclassification in the categorical response. Specifically, probit andlogit models have been developed. The computational difficulties have been avoided by using dataaugmentation. This idea is exploited to derive efficient Markov chain Monte Carlo methods. Althoughthe method is proposed for ordered categories, it can also be implemented for unordered ones in asimple way. The model performance is shown through a simulation-based example, and the analysisof the motivating study .

Motivado por un estudio longitudinal de salud bucodental, el estudio Signal-Tandmobiel©, se ha desarrollado un enfoque bayesiano para modelar datos de respuesta ordinal mal clasificados. Se han considerado dos modelos de regresión para incorporar la clasificación errónea en la respuesta categórica. En concreto, se han desarrollado modelos probit ylogit. Las dificultades computacionales se han evitado utilizando la aforación de datos. Esta idea se explota para derivar métodos Markov chain Monte Carlo eficientes. Aunque el método se propone para categorías ordenadas, también puede aplicarse a categorías no ordenadas de forma sencilla. El funcionamiento del modelo se muestra mediante un ejemplo basado en la simulación y el análisis del estudio motivador.