Télécharger le texte intégral - ISPED-Enseignement à distance

Modèle nonlinéaire à classes latentes 2 124ensuite obtenu en minimisant ¯V (κ), soit à l’aide d’une grille de valeurs pour κ soitpar un algorithme de minimisation. Cette méthode a été implémentée dans le programmephmpl (Joly et al., 1999) pour l’estimation de la fonction de risque modéliséepar des splines dans le cas de données tronquées et censurées.Dans notre approche, estimer le paramètre de lissage en utilisant cette techniquenécessiterait l’estimation du modèle conjoint sur toute une grille de valeurs, ce quin’est pas envisageable étant donné la complexité numérique de notre modèle et lataille de notre échantillon d’application. Nous avons donc opté pour une techniqueintermédiaire de sélection du paramètre de lissage : nous utilisons le programmephmpl sur le modèle de survie sans classe latente et sans données longitudinales.Cela nous donne un ordre de grandeur pour le paramètre κ que nous pouvons utiliserdans le modèle conjoint. Nous pouvons ensuite ajuster la valeur de κ si nécessaireau vu des fonctions de risque estimées.5.4 Analyse de l’adéquationLes modèles à classes latentes étant des modèles paramétriques complexes, nousdétaillons dans cette section trois méthodes permettant d’évaluer l’adéquation dumodèle. La première technique consiste à évaluer la qualité de la classification dessujets dans les classes latentes. La deuxième consiste à confronter les prédictionsdu modèle mixte aux données observées et la troisième méthode vise à évaluerl’ajustement du modèle de survie.5.4.1 Qualité de classificationQuelques méthodes ont été proposées pour tester la qualité de la classificationdans un modèle à classes latentes (Muthén et al., 2002 ; Lin et al., 2004). En effet,une bonne classification a posteriori indique une bonne adéquation du modèle auxdonnées. Ces méthodes sont basées sur le principe qu’une classification est d’autant