Apresentamos neste trabalho, uma análise bayesiana para dados clínicos exponenciais com variáveis auxiliares. Formulamos uma abordagem bayesiana com densidades a priori informativas, obtidas através das variáveis auxiliares sob o contexto de modelos lineares generalizados, para estimar os parâmetros de interesse, testar o modelo e prever a sobrevivência de pacientes com doenças graves. Diferentes funções de ligações são consideradas. O método que iremos examinar consiste na obtenção de informações a priori para a média das respostas, com correspondentes variáveis auxiliares fixas de modo que se possa induzir uma distribuição a priori sobre os coeficientes de regressão a partir de médias condicionais a priori. Esta abordagem utiliza os algoritmos computacionais do tipo Gibbs Sampling/Metropolis-Hastings e será comparada com a inferência bayesiana exata. Finalizamos com aplicações em dados clínicos exponenciais para pacientes com leucemia utilizando amostras completas e amostras censuradas.

In this work, a Bayesian analysis for the exponential clinica] data with auxiliary variables is presented. This Bayesian approach, with informative priors obtained under the context of generalized linear models with fixed auxiliary variables, is formulated to estimate the parameters of interest, to test models and to predict the survival time of patients with serious diseases. Various link functions are considered. The method that we are going to study consists in obtaining prior information for the response mean corresponding to observable variables with fixed covariates, such that we are able to induce a prior distribution on the regression coefficients. This approach uses Gibbs Sampling/Metropolis-Hastings algorithms and it will be compared with the exact Bayesian inference. We end with applications based on censored and uncensored exponential clinica] data for patients with leukemia diseases.