-
Views
-
Cite
Cite
David B. Dunson, Joseph B. Stanford, Bayesian Inferences on Predictors of Conception Probabilities, Biometrics, Volume 61, Issue 1, March 2005, Pages 126–133, https://doi.org/10.1111/j.0006-341X.2005.031231.x
Close - Share Icon Share
Summary
Reproductive scientists and couples attempting pregnancy are interested in identifying predictors of the day-specific probabilities of conception in relation to the timing of a single intercourse act. Because most menstrual cycles have multiple days of intercourse, the occurrence of conception represents the aggregation across Bernoulli trials for each intercourse day. Because of this data structure and dependency among the multiple cycles from a woman, implementing analyses has proven challenging. This article proposes a Bayesian approach based on a generalization of the Barrett and Marshall model to incorporate a woman-specific frailty and day-specific covariates. The model results in a simple closed form expression for the marginal probability of conception, and has an auxiliary variables formulation that facilitates efficient posterior computation. Although motivated by fecundability studies, the approach can be used for efficient variable selection and model averaging in general applications with categorical or discrete event time data.
Résumé
Des chercheurs travaillant dans le domaine de la fertilité et des couples ayant des difficultés à procréer essaient de prédire les probabilités de conception spécifiques à chaque jour par rapport à chaque rapport sexuel. Puisque plusieurs rapports sexuels peuvent avoir lieu pendant un cycle menstruel, la réussite d'une conception représente le regroupement d'essais de Bernoulli pour chaque jour de rapport. A cause de cette structure des données et de la dépendance entre les différents cycles menstruels, l'implémentation des analyses n'est pas simple. Cet article propose une approche bayesienne basée sur une généralisation du modèle de Barrett et Marshall pour incorporer les covariables spécifiques liées à la fragilité individuelle et au jour du cycle. Le modèle se résume en une expression d'une forme fermée et simple pour les probabilités marginales de conception. Ce modèle a une formulation avec des variables auxiliaires qui facilite une programmation efficace a posteriori. Bien que motivée par une étude de fécondabilité, l'approche peut être utilisée pour une sélection efficace de variables et de modèles dans des applications générales avec des données de survie catégorielles ou discrètes.
