Tengo una pregunta sobre la técnica de bootstrapping adecuada para utilizar con datos en los que hay una fuerte agrupación.
Se me ha encomendado la tarea de evaluar un modelo de predicción de efectos mixtos multivariantes sobre datos de reclamaciones de seguros, puntuando el modelo de referencia actual sobre datos de reclamaciones más recientes, con el fin de determinar en qué medida el modelo predice qué episodios de atención contienen la mayor frecuencia de sesiones (percentil 95 superior). La sensibilidad, la especificidad y el valor predictivo positivo (VPP) se utilizarán para evaluar la eficacia del modelo.
El bootstrap parece el camino correcto para construir intervalos de confianza para los porcentajes de sensibilidad, especificidad y VPP. Desafortunadamente, un bootstrap ingenuo no es apropiado dado que los datos de las reclamaciones están 1) correlacionados por el proveedor de atención, 2) agrupados en episodios de atención con visitas más frecuentes durante los meses más tempranos del episodio de atención (por lo que hay cierta autocorrelación). ¿Sería apropiada en este caso una variación de la técnica de bootstrap de bloques móviles?
O tal vez funcione un procedimiento de arranque en tres pasos: 1) muestreo con reemplazo de los distintos proveedores en los datos, luego 2) muestreo con reemplazo de los distintos episodios de atención de los proveedores seleccionados, luego 3) muestreo con reemplazo de las distintas reclamaciones dentro de cada episodio seleccionado.
Muchas gracias por cualquier sugerencia.
