fonction de risque cumulé de base ˆΛ 0 (t) et en déduire la fonction de survie S(t, x) pourune va<strong>le</strong>ur donnée du vecteur des variab<strong>le</strong>s explicatives x :̂Λ 0 (t j ) = ∑l:t l ≤t jn l∑k∈R <strong>le</strong>xp( ˆβ ′ x k )Ŝ(t) = exp[−ˆΛ 0 (t) exp( ˆβ ′ x)]Tests statistiquesOn note β 0 ′ <strong>le</strong> vecteur (β 01 , ..., β 0p ). Pour tester l’hypothèse nul<strong>le</strong> H 0 : β = β 0 , contrel’hypothèse alternative H 1 : β i = β 0i pour au moins un i, on peut utiliser l’un des troistests statistiques suivants :– <strong>le</strong> test du score :U ′ (β 0 )[I −1 (β 0 )]U(β 0 )– <strong>le</strong> test du rapport de vraisemblance : −2[ln(V (β 0 )) − ln(V ( ˆβ))]– <strong>le</strong> test de Wald : ( ˆβ − β 0 ) ′ [I β ( ˆβ)]( ˆβ − β 0 ), où I β est la sous-matrice de la matriced’information de Fisher correspondant au vecteur des coefficients de régression β.Sous l’hypothèse nul<strong>le</strong>, <strong>le</strong>s statistiques des trois tests suivent asympotiquement desdistributions de chi-deux à p degrés de liberté. Les trois tests donnent en général <strong>le</strong>smêmes résultats. Le test du score est <strong>le</strong> plus faci<strong>le</strong> à calcu<strong>le</strong>r parce qu’il ne nécessite pasde maximiser la vraisemblance. Le test de Wald décou<strong>le</strong> directement des estimations desparamètres et de <strong>le</strong>ur variance. Néanmoins, <strong>le</strong> test du rapport des vraisemblances serait<strong>le</strong> plus robuste et <strong>le</strong> plus fiab<strong>le</strong> des trois.2.2 Analyse de données multivariées : approche margina<strong>le</strong>L’approche margina<strong>le</strong> a été développée par Lin et Wei [60] et par Wei et al [94] quise sont tout d’abord intéressés à un modè<strong>le</strong> dans <strong>le</strong>quel <strong>le</strong>s individus subissaient desévénements répétés, puis par Lee, Wei et Amato [56] qui s’intéressaient davantage auxdonnées groupées. Cette approche consiste à spécifier la fonction de risque margina<strong>le</strong> destemps de survie corrélés sans modéliser de façon explicite la structure de dépendance entre<strong>le</strong>s temps de survie. Cette méthode traite ainsi la dépendance des temps de survie commeune nuisance.
2.2.1 Le modè<strong>le</strong>On considère T ij <strong>le</strong> temps de survie du j ieme sujet (j = 1, ..., n i ) du i ieme groupe(i = 1, ..., G), et C ij <strong>le</strong> temps de censure correspondant. Les temps de survie observésseront alors Y ij = min(T ij , C ij ) et l’indicateur δ ij = I(T ij ≤ C ij ) permettra de déterminersi <strong>le</strong> temps de survie observé Y ij est un temps de censure ou d’événement. Si X ij =(X 1ij , ..., X pij ) ′ correspond au vecteur des p variab<strong>le</strong>s explicatives, alors <strong>le</strong> vecteur destemps de survie T i = (T i1 , ..., T ini ) ′ et <strong>le</strong> vecteur des temps de censure C i = (C i1 , ..., C ini ) ′sont supposés être indépendants conditionnel<strong>le</strong>ment au vecteur des variab<strong>le</strong>s explicativesX i = (X i1, ′ ..., X in ′ i). Dans cette approche, la distribution margina<strong>le</strong> pour chaque tempsde survie est modélisée par un modè<strong>le</strong> à risques proportionnels, et la fonction de risquemargina<strong>le</strong> en un temps t s’exprime par :λ ij (t; X ij ) = λ 0 (t) exp{β ′ X ij } (2.3)On peut noter que dans ce modè<strong>le</strong>, nous n’avons pas d’estimateur de la force de l’associationentre <strong>le</strong>s individus dans chaque groupe. Le vecteur des coefficients de régressionβ ′ = (β 1 , ..., β p ) est estimé par maximisation de la vraisemblance partiel<strong>le</strong> classique deCox construite à partir du modè<strong>le</strong> “de travail” précédent (2.3) dans <strong>le</strong>quel on supposeral’indépendance des temps de survie.Dans <strong>le</strong> cas d’événements récurrents où l’on observe n i types d’événements pour unmême sujet i, il est nécessaire de permettre à la fonction de risque de base d’être différentepour chaque type d’événement. La fonction de risque pour <strong>le</strong> j ieme type d’événement dusujet i est donnée par λ ij (t; X ij ) = λ 0j (t) exp{β ′ X ij }. Ce modè<strong>le</strong> a été proposé par Weiet al [94]. Pour <strong>le</strong>s données groupées il est généra<strong>le</strong>ment suffisant d’estimer une fonctionde risque de base commune à tous <strong>le</strong>s sujets comme dans <strong>le</strong> modè<strong>le</strong> (2.3). Cependantdans chacune des situations, une modification de la matrice de variance-covariance estnécessaire.2.2.2 Matrice de variance-covariance corrigéeLee et al [56] ont montré que lorsque l’on avait des données corrélées, <strong>le</strong>s estimateursdes coefficients de régression du modè<strong>le</strong> de Cox classique obtenus par maximisation dela vraisemblance partiel<strong>le</strong> sont convergents et asymptotiquement normaux. Cependant,l’estimateur correspondant de variance-covariance ˆV n’est plus valide en raison de la
- Page 1 and 2: Université Victor Segalen - Bordea
- Page 3 and 4: A Monsieur le Professeur Roger Sala
- Page 5 and 6: Mes remerciements les plus chaleure
- Page 7 and 8: 3 Approche par vraisemblance pénal
- Page 9 and 10: RésuméLes modèles classiquement
- Page 11 and 12: l’aluminium de l’eau du dialysa
- Page 13 and 14: même groupe pour expliquer cette h
- Page 15 and 16: Dans des essais thérapeutiques, on
- Page 17 and 18: Chapitre 2Modèles de survie pour d
- Page 19 and 20: dans la vraisemblance. De plus la c
- Page 21 and 22: sont tronquées à droite car les s
- Page 23 and 24: 2.1.3 EstimationConstruction de la
- Page 25 and 26: (lorsque les intervalles de temps p
- Page 27: à risque en t j , et sachant qu’
- Page 31 and 32: pour ˆβ devient ˆV , l’estimat
- Page 33 and 34: La fonction de risque marginale (ou
- Page 35 and 36: D’après l’équation (2.9) il a
- Page 37 and 38: n’existent pas.Enfin, lorsque tou
- Page 39 and 40: 2.3.3 Modèle à fragilité corrél
- Page 41 and 42: Dans le modèle à fragilité, les
- Page 43 and 44: Le schéma d’estimation peut êtr
- Page 45 and 46: ẑ l les valeurs moyennes des vari
- Page 47 and 48: Estimation dans le modèle à fragi
- Page 49 and 50: Chapitre 3Approche par vraisemblanc
- Page 51 and 52: une valeur élevée de ∫ λ ′
- Page 53 and 54: 3.2 Approximation par splines de la
- Page 55 and 56: des nœuds on augmente le nombre de
- Page 57 and 58: modèle. Ainsi, le nombre de degré
- Page 59 and 60: Dans un modèle à risques proporti
- Page 61 and 62: On peut donc approcher la matrice d
- Page 63 and 64: Par exemple, si κ n = o p (n) =
- Page 65 and 66: de risque en tout temps étant appr
- Page 67 and 68: Chapitre 4Etude par simulations4.1
- Page 69 and 70: Le nombre de nœuds était fixé à
- Page 71 and 72: simulations obtenus par Nielsen [70
- Page 73 and 74: première espèce très proche de 5
- Page 75 and 76: Tab. 4.2 - Estimations de ˆθ pour
- Page 77 and 78: Tab. 4.4 - Estimations de θ pour G
- Page 79 and 80:
Tab. 4.6 - Résultats des simulatio
- Page 81 and 82:
isque de base a été estimée à p
- Page 83 and 84:
Fig. 4.2 - Fonction de risque margi
- Page 85 and 86:
Fig. 4.3 - Fonction de risque de ba
- Page 87 and 88:
Fig. 4.5 - Fonction de risque de ba
- Page 89 and 90:
5.2 Hypothèse de la relation alumi
- Page 91 and 92:
cohorte Paquid et elles étudiaient
- Page 93 and 94:
5.4 Analyse des données groupées
- Page 95 and 96:
ces deux variables sont distribuée
- Page 97 and 98:
Tab. 5.1 - Comparaison entre le mod
- Page 99 and 100:
Fig. 5.2 - Incidence de la démence
- Page 101 and 102:
Nous n’avons pas envisagé de dé
- Page 103 and 104:
géographique comme celle de Paquid
- Page 105 and 106:
Bibliographie[1] Aalen OO. Nonparam
- Page 107 and 108:
[24] Cox DR. Regression models and
- Page 109 and 110:
[52] Kaplan EL, Meier P. Nonparamet
- Page 111 and 112:
[78] Rifat S, Eastwood MR, McLachla
- Page 113:
Annexe ATaux d’incidence de la d