de la strate h (h = 1, .., K) et du groupe i (i = 1, ..., G) s’écritλ ihj (t, X ihj |Z i ) = Z i λ 0h (t) exp(β ′ X ihj ) (2.11)Dans ce modè<strong>le</strong>, la fonction de risque de base λ 0h (t) indexée par h est la fonction de risquede base au temps t pour <strong>le</strong>s sujets de la strate h. Ainsi, ce modè<strong>le</strong> permet d’attribuer unefonction de risque de base différente pour <strong>le</strong>s sujets des différentes strates (par exemp<strong>le</strong>pour des sexes différents). Dans ce type de modè<strong>le</strong> stratifié on suppose que l’effet desvariab<strong>le</strong>s explicatives est <strong>le</strong> même (même β) pour deux individus de strates différentes,alors que <strong>le</strong>ur risque de base est différent.Le modè<strong>le</strong> fait une hypothèse d’indépendance des temps de survie entre groupes.D’autre part il fait l’hypothèse d’indépendance des temps de survie dans chaque groupeconditionnel<strong>le</strong>ment aux effets aléatoires z i .Cette variab<strong>le</strong> de fragilité va représenter l’ensemb<strong>le</strong> des facteurs de risque non observéset commun à un même groupe, qui vont fragiliser <strong>le</strong>s individus d’un même groupe et êtreresponsab<strong>le</strong>s de la dépendance dans <strong>le</strong> groupe. Les sujets des groupes avec une va<strong>le</strong>uré<strong>le</strong>vée de la variab<strong>le</strong> de fragilité subiront l’événement plus tôt en moyenne que ceux desgroupes ayant une faib<strong>le</strong> va<strong>le</strong>ur de l’effet aléatoire. Ainsi <strong>le</strong>s individus <strong>le</strong>s plus fragi<strong>le</strong>sdécèderont plus tôt. On voit bien dans ce modè<strong>le</strong> que si la va<strong>le</strong>ur de l’effet aléatoire pourun groupe est supérieur à 1, <strong>le</strong>s sujets de ce groupe auront un risque plus é<strong>le</strong>vé que dansun modè<strong>le</strong> à risques proportionnels classique où Z i est égal à 1 avec une probabilité de1. Inversement, si Z i est inférieure à 1, <strong>le</strong>s individus du groupe i auront une survie pluslongue que cel<strong>le</strong> prédite sous <strong>le</strong> modè<strong>le</strong> à risques proportionnels classique.Ce modè<strong>le</strong> de survie à effets aléatoires va nous permettre de quantifier la variabilitéentre groupes (ou la dépendance intra-groupe), ce que nous ne pouvions pas évaluerdans un modè<strong>le</strong> à effets fixes ou par une approche margina<strong>le</strong>. D’autre part, il va êtreintéressant de tester l’hypothèse d’indépendance des temps de survie après la prise encompte de certaines variab<strong>le</strong>s explicatives. On va chercher à savoir si certaines variab<strong>le</strong>speuvent expliquer une partie de la dépendance intra-groupe.Une approche par processus de comptage sur <strong>le</strong>s modè<strong>le</strong>s à fragilités a été éga<strong>le</strong>mentconsidérée par Gill [34] sur une discussion de l’artic<strong>le</strong> de Clayton et Cuzick [18] et a étéreprise par plusieurs auteurs [70, 74].
2.3.3 Modè<strong>le</strong> à fragilité corréléeUne autre structure de modè<strong>le</strong> à fragilité a été proposée pour tenir compte à la foisd’une hétérogénéité due à des variab<strong>le</strong>s individuel<strong>le</strong>s non observées et d’une corrélationentre certains individus. Ce modè<strong>le</strong>, dit à fragilité corrélée, a été développé par plusieursauteurs [75, 95, 74, 55] qui cherchaient à distinguer l’effet des facteurs de risque environnementauxpar rapport aux facteurs génétiques sur la survie des jumeaux. Dans ce modè<strong>le</strong>on fait une décomposition de la variab<strong>le</strong> de fragilité en une somme de deux variab<strong>le</strong>s de fragilité,une partagée par plusieurs individus d’un même groupe, l’autre étant non partagée.Le modè<strong>le</strong> conditionnel à fragilité corrélée se présente de la manière suivante pour <strong>le</strong>sujet j (j = 1, ..., n i ), de la strate h (h = 1, .., K) et du groupe i (i = 1, ..., G)λ ihj (t|Z (j)i ) = Z (j)i λ 0h (t) exp(β ′ X ij )où λ 0h (t) est la fonction de risque de base en un temps t pour <strong>le</strong>s sujets de la strate h etZ (j)iest une variab<strong>le</strong> aléatoire spécifique au sujet j du groupe i. Ces variab<strong>le</strong>s aléatoiresdans chaque groupe sont corrélées selon une structure de corrélation additive de la manièresuivante :Z (1)iZ (2)i= Z i0 + Z i1= Z i0 + Z i2..où Z i0 , Z i1 , . . . , Z iniZ (n i)i= Z i0 + Z inisont des variab<strong>le</strong>s aléatoires indépendantes et distribuées selon uneloi gamma de paramètres (c, θ), (c ∗ , θ),. . . , (c ∗ , θ) respectivement. Ainsi, <strong>le</strong>s variab<strong>le</strong>saléatoires Z (j)isuivront une loi gamma de paramètres (c + c ∗ , θ). Comme précédemment,pour rendre λ 0h (t) identifiab<strong>le</strong> on suppose 1/θ = c + c ∗ , ainsi l’espérance des fragilitéssera éga<strong>le</strong> à 1 (soit E(Z j i ) = (c + c∗ )θ = 1) et la variance des Z (j)isera éga<strong>le</strong> à θ (soit(c + c ∗ )θ 2 = θ). Lorsque var(Z ij ) = 0 (pour j ≠ 0) <strong>le</strong> modè<strong>le</strong> devient <strong>le</strong> modè<strong>le</strong> à fragilitépartagée.La variab<strong>le</strong> Z i0 va induire une corrélation des individus dans chaque groupe et peutrefléter l’ensemb<strong>le</strong> des facteurs de risque génétiques ou environnementaux communs auxindividus d’un même groupe. Les variab<strong>le</strong>s Z ij (pour j ≠ 0) vont traduire une éventuel<strong>le</strong>
- 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 and 28: à risque en t j , et sachant qu’
- Page 29 and 30: 2.2.1 Le modèleOn considère T ij
- 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: n’existent pas.Enfin, lorsque tou
- 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