Bayesian variable selection for logit models with random intercept : application to STEMI dataset

In questo elaborato di tesi abbiamo cercato di identificare quali possano essere le relazioni, statisticamente significative, tra la variabile risposta sopravvivenza e le 13 covariate presenti nel dataset MOMI2 (MOnth MOnitoring Myocardical Infraction in MIlan) del progetto STEMI della Regione Lombardia. Per poterlo studiare, abbiamo considerato un GLMM di tipo logit con un solo effetto casuale, anche detto intercetta aleatoria, con un approccio bayesiano gerarchico in cui l’effetto di raggrup- pamento (primo livello) è dato dalle strutture ospedaliere dove il paziente con infarto miocardico acuto si è recato al riscontrare dei sintomi. Per l’implementazione computazionale si è utilizzato un algoritmo MCMC di tipo Gibbs Sampler descritto in Wagner and Duller (2010), grazie al quale si è riusciti a fare selezione bayesiana di variabili diminuendo la dimensionalità del problema di regressione a sole 3 covariate fisse e trovando la varianza aggiuntiva causata dalla struttura ospedaliera considerata (l’effetto aleato- rio).