You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
() −1c’est à dire lim trace 1 + 2κ n ΩÎ(ˆη)−1 = m.n→∞ ( )– Si lim 2κ n ΩÎ(ˆη)−1 = C, où C est une limite finie.n→∞() −1– soit C = 0 et lim trace 1 + 2κ n ΩÎ(ˆη)−1 = mn→∞– soit C ≠ 0 et limn→∞trace– Si limn→∞(2κ n ΩÎ(ˆη)−1 )= +∞. alors, lim(1 + 2κ n ΩÎ(ˆη)−1 ) −1< m (car C > 0)n→∞(Donc une condition nécessaire pour avoir lim ddl = m) n→∞c’est d’avoir lim 2κ n ΩÎ(ˆη)−1 = 0n→∞(2κ n ΩÎ(ˆη)−1 ) −1= 2or si on suppose que Î(ˆζ) est en O p (n) alors κ n doit être en o p (n), c’est à dire, κ n ne doitpas croître aussi vite que n.3.4 Variance des paramètresNous nous sommes inspirés des travaux de Gray [38, 39] pour estimer la variance desparamètres estimés. Gray a utilisé une approche par vraisemblance pénalisée pour estimerl’effet des variab<strong>le</strong>s explicatives non-paramétriquement dans un modè<strong>le</strong> de survie classiquepour données censurées. Notre approche sera différente de la sienne pour deux raisons : <strong>le</strong>modè<strong>le</strong> considéré est un modè<strong>le</strong> à fragilité pour données groupées, et la pénalisation portesur la fonction de risque et non pas sur l’effet des variab<strong>le</strong>s explicatives. Nous proposonsun estimateur pour la variance des trois paramètres d’intérêt du modè<strong>le</strong> : <strong>le</strong>s coefficientsdes splines, <strong>le</strong>s paramètres de régression et la variance des effets aléatoires. Nous notonsces paramètres du modè<strong>le</strong> par <strong>le</strong> vecteur : ζ ′ = (η 1 , ..., η m ; β 1 , ..., β p ; θ).Lorsque l’on utilise une vraisemblance classique (non pénalisée), la matrice de variancecovariancedes paramètres s’estime directement par I −1n(ˆζ) où I n (ˆζ) = E(− ∂2 l(ˆζ)). Parcontre, lorsque l’on utilise une vraisemblance pénalisée, la matrice de variance-covarianceprend une forme différente. En s’inspirant des travaux de Gray [38] qui s’intéressait àmodéliser par vraisemblance pénalisée la forme de la fonction représentant l’effet desvariab<strong>le</strong>s explicatives, l’estimateur de la matrice de variance-covariance des paramètresestimés devient :var(ˆζ) = Ĥn−1(ˆζ) Î n (ˆζ)Ĥn−1 (ˆζ) = ˆV (ˆζ) (3.5)où −H n est l’espérance de la hessienne de la vraisemblance pénalisée.∂ζ 2