Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
même pour <strong>le</strong> modè<strong>le</strong> à fragilité gaussienne.La méthode d’estimation comporte des similitudes avec l’algorithme EM. El<strong>le</strong> est baséesur une modification de la vraisemblance partiel<strong>le</strong> de Cox, c’est à dire sur une “profi<strong>le</strong>likelihood” dans laquel<strong>le</strong> on remplace Λ 0 (t) par son estimateur de Breslow.Le modè<strong>le</strong> considéré est celui à risques proportionnels avec des variab<strong>le</strong>s de fragilité,la fonction de risque pour <strong>le</strong> sujet j du groupe i étant représentée par :λ ij (t|z i ) = λ 0 (t) exp(β ′ X ij + z ′ i W j )où β ′ = (β 1 , ..., β p ) est <strong>le</strong> vecteur des p effets fixes, et z ′ = (z 1 , ..., z G ) est <strong>le</strong> vecteur des Geffets aléatoires, <strong>le</strong> vecteur X ij = (X ij1 , ..., X ijp ) ′ va contenir des variab<strong>le</strong>s explicatives mesuréeset W j = (W 1j , ..., W Gj ) sera un vecteur (du schéma d’étude) qui va décrire comment<strong>le</strong>s effets aléatoires s’appliquent à chaque individu, W ij sera égal à 1 si <strong>le</strong> sujet j appartientau groupe i, 0 sinon. Dans ce modè<strong>le</strong>, on suppose que Z suit une distribution p(z, D),de moyenne 0 et de matrice de covariance D = D(θ), avec θ un vecteur de paramètresinconnus. Une autre notation du modè<strong>le</strong> qui se rapproche plus des modè<strong>le</strong>s à fragilitédécrits dans <strong>le</strong>s chapitres précédents est de définir Z i = exp(z ′ W i ) comme la variab<strong>le</strong> defragilité pour chaque unité, et la contrainte imposée ne sera plus E(Z) = 0 mais E(Z) = 1.La vraisemblance prend la forme d’une vraisemblance partiel<strong>le</strong> pénalisée, représentéepar une différence entre deux termes :P P L = P L(β, z; t) − f(z; θ) (2.17)Ici, P L est la vraisemblance partiel<strong>le</strong> de Cox usuel<strong>le</strong> et f est un terme de pénalisation quiprend des va<strong>le</strong>urs é<strong>le</strong>vées pour des va<strong>le</strong>urs extrêmes de la variab<strong>le</strong> z et évite des différencesimportantes entre <strong>le</strong>s fragilités des différents groupes. La va<strong>le</strong>ur du terme de pénalisationva dépendre de la distribution des variab<strong>le</strong>s de fragilité. Les estimateurs ˆβ(θ) et ẑ(θ) sontdéfinis comme <strong>le</strong>s estimateurs de la vraisemblance pénalisée (2.17).Cette procédure inclut des équations d’estimation simp<strong>le</strong>s, mais el<strong>le</strong> résulte en unesous-estimation des variances des paramètres des effets fixes ( ˆβ) car el<strong>le</strong> ne tient pascompte de la variabilité θ des effets aléatoires (θ étant un paramètre fixé). Ces méthodessont encore récentes et méritent d’être développés.