Objetivo. Apresentar, metodologicamente, as abordagens de variância robusta e de fragilidade em modelos semiparamétricos para analisar dados univariados e multivariados de sobrevida; e compará-las, empiricamente, estimando razões de taxas de falha na análise de dados reais da área biomédica. Métodos. A formulação dos modelos com fragilidade e com variância robusta são descritos e diferentes modelos para analisar falhas múltiplas são apresentados. Cinco conjuntos de dados são considerados na comparação, dois de eventos agrupados e três de eventos recorrentes. Considerou-se ala falha dos eventos recorrentes para a análise de dados univariados de sobrevida, em que a fragilidade representa a heterogeneidade não observada e a variância robusta melhora a variablidade dos estimadores quando o modelo não está especificado corretamente. Resultados. A abordagem de variância robusta apresentou um bom desempenho computacional. Os ajustes com fragilidade e com variância robusta foram afetados de maneira similar pelos modelos para falhas múltiplas. Conclusões. As duas abordagens podem levar a diferentes ajustes nos modelos para eventos recorrentes. As análises para 1ª falha podem diferir das análises com eventos recorrentes. A não ser que haja interesse em testar independência, o modelo de variância robusta parece ser o mais indicado, enquanto modelos de fragilidade com suposições menos restritivas e com razoável desempenho computacional não estiverem disponíveis em programas flexíveis. No momento, o S-Plus é o melhor programa para aplicar a fragilidade gama, seguido do Stata; o uso de uma macro do SAS mostrou-se desvantajoso. Os três programas são equivalentes para analisar modelos de variância robusta.

Objectives. To present methodologícally, the robust variance and gamma frailty approaches applied to semiparametric models for univariate and multivariate survival analyses; and to compare them, empírically, adjusting the models for real data. Methods. The formulation of the models with frailty and with robust variance is described and different models to analyze multiple failures are presented. Five data sets are considered in the comparisons, two of cluster events and three of recurrent events. The first failure of the recurrent events was considered for the univariate survival analysis, where the frailty represents heterogeneity unobserved and robust variance improves the variance of the estimators when the model is not specified correctly. Results. The robust variance approach presented a good computational performance. The adjustments with frailty and with robust variance were affected in similar way by the models for multiple failures. Conclusions. The two approaches can produce different adjustments in the models for recurrent events. The analyses for first failure can differ from the analyses with recurrent events. When there is not interest in testing independence, the robust variance model is the indicated, while models of frailty with less restrictive assumptions and reasonable computational performance are not available in flexible programs. At the moment, S-Plus is indicated for gamma frailty, followed by Stata; the use of a SAS macro is disadvantageous. The three programs are equivalent for robust variance.