You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
V (Y, X) ={G∏ ∏ K∏n ih(λihj (Y ihj , X ihj )ihj)δi=1h=1 j=1}Γ(m i + 1/θ)×Γ(1/θ)θ 1/θ ( ∑ n ihj=1 [Λ ihj(Y ihj , X ihj ) − Λ ihj (L ihj , X ihj )] + 1/θ) m i+1/θoù m i = ∑ K ∑ nihh=1 j=1 I{δ ihj = 1}, est <strong>le</strong> nombre d’événements dans <strong>le</strong> groupe i.Il est plus faci<strong>le</strong> de travail<strong>le</strong>r sur <strong>le</strong> logarithme de la vraisemblance, qui prend la formesuivante :{G∑ ∑ K∑n ihln(V (Y, X)) =δ ihj {β ′ X ihj + ln(λ 0h (Y ihj ))} (2.13)i=1 h=1 j=1[−(1/θ + m i ) ln 1 + θ]K∑ ∑n ih(Λ 0h (Y ihj ) − Λ 0h (L ihj )) exp(β ′ X ihj )h=1 j=1+m i ln θ + ln [Γ(1/θ + m i )] − ln Γ(1/θ)}Cette expression a été proposée par Nielsen et al [70] qui utilisaient une approche parprocessus de comptage puis par K<strong>le</strong>in et al [53]. Nous avons proposé une simplification dela dernière ligne de cette expression, cette nouvel<strong>le</strong> formulation mathématique équiva<strong>le</strong>ntene fait plus intervenir de fonctions gamma et la log-vraisemblance devient éga<strong>le</strong> à :{G∑ ∑ K∑n ihln(V (Y, X)) =δ ihj {β ′ X ihj + ln(λ 0h (Y ihj ))} (2.14)i=1 h=1 j=1[−(1/θ + m i ) ln 1 + θ]K∑ ∑n ih(Λ 0h (Y ihj ) − Λ 0h (L ihj )) exp(β ′ X ihj )h=1 j=1}∑m i+I{m i ≠ 0} [ln(1 + θ(m i − k))]k=1A partir de cette vraisemblance nous sommes en présence de trois paramètres d’intérêtinconnus :– la variance des effets aléatoires θ,– <strong>le</strong>s coefficients de régression β traduisant l’effet des variab<strong>le</strong>s explicatives,– et la fonction de risque de base (et la fonction de risque cumulée de base) en chaquetemps de survie ou de censure.Plusieurs approches ont été proposées pour estimer ces paramètres. El<strong>le</strong>s vont être exposéesdans <strong>le</strong>s paragraphes suivants.