Bibliographie 170Hogan, J. W. et Laird, N. M. (1997). Model-based approaches to analysing incomp<strong>le</strong>telongitudinal and failure time data. Stat Med 16, 259–72.Isaacs, B. et Kennie, A. T. (1973). The Set test as an aid to the detection of dementiain old peop<strong>le</strong>. Br J Psychiatry 123, 467–70.Jacqmin-Gadda, H., Commenges, D. et Dartigues, J. (1999). [analysis of longitudinalGaussian data with missing data on the response variab<strong>le</strong>]. Rev Epidemiol SantePublique 47, 525–34.Jacqmin-Gadda, H., Commenges, D. et Dartigues, J. F. (2006). Random changepoint model for joint modeling of cognitive decline and dementia. Biometrics 62,254–60.Jacqmin-Gadda, H., Fabrigou<strong>le</strong>, C., Commenges, D. et Dartigues, J. F. (1997a). A5-year longitudinal study of the Mini-Mental State Examination in normal aging.Am J Epidemiol 145, 498–506.Jacqmin-Gadda, H., Fabrigou<strong>le</strong>, C., Commenges, D. et Dartigues, J. F. (1997b).[longitudinal study of cognitive aging in non-demented elderly subjects]. RevEpidemiol Sante Publique 45, 363–72.Jeffries, N. O. (2003). A note on ’Testing the number of components in a normalmixture’. Biometrika 90, 991–994.Joly, P. (1996). Estimation de la fonction de risque dans un con<strong>texte</strong> général detroncature et de censure : application <strong>à</strong> l’estimation de l’incidence de la démence.PhD thesis, Université de Bordeaux II.Joly, P., Letenneur, L., Alioum, A. et Commenges, D. (1999). PHMPL : a computerprogram for hazard estimation using a penalized likelihood method withinterval-censored and <strong>le</strong>ft-truncated data. Computer Methods and Programs inBiomedicine 60, 225–231.Joseph, L., Wolfson, D. B., Belis<strong>le</strong>, P., Brooks, J. O., r., Mortimer, J. A., Tink<strong>le</strong>nberg,J. R. et Yesavage, J. A. (1999). Taking account of between-patient variabilitywhen modeling decline in Alzheimer’s disease. Am J Epidemiol 149, 963–73.Karlis, D. et Xekalaki, E. (2003). Choosing initial values for the EM algorithm for
Bibliographie 171finite mixtures. Computational Statistics and Data Analysis 41, 577–590.Komarek, A. (2001). A SAS-macro for linear mixed models with a finitenormal mixture as random-effects distribution. Technical report,Biostatistical Center, Catholic University of Leuven, Belgium,http ://www.med.ku<strong>le</strong>uven.ac.be/biostat/research/software.htm.Laird, N. et Ware, J. (1982). Random-effects models for longitudinal data. Biometrics38, 963–74.Larrieu, S., Letenneur, L., Helmer, C., Dartigues, J. F. et Barberger-Gateau, P.(2004). Nutritional factors and risk of incident dementia in the PAQUID longitudinalcohort. J Nutr Health Aging 8, 150–4.Law, N. J., Taylor, J. M. et Sand<strong>le</strong>r, H. (2002). The joint modeling of a longitudinaldisease progression marker and the failure time process in the presence of cure.Biostatistics 3, 547–63.Lee, S. et Song, X. (2004). Bayesian model comparison of nonlinear structura<strong>le</strong>quation models with missing continuous and ordinal categorical data. BritishJournal of Mathematical and Statistical Psychology 57, 131–150.Leg<strong>le</strong>r, J. M., Davis, W. W., Potosky, A. L. et Hoffman, R. M. (2004). Latent variab<strong>le</strong>modelling of recovery trajectories : sexual function following radical prostatectomy.Stat Med 23, 2875–93.Letenneur, L., Commenges, D., Dartigues, J. F. et Barberger-Gateau, P. (1994).Incidence of dementia and Alzheimer’s disease in elderly community residents ofsouth-western France. Int J Epidemiol 23, 1256–61.Letenneur, L., Gil<strong>le</strong>ron, V., Commenges, D., HElmer, C., Orgogozo, J. et Dartigues,J. (1999). Are sex and educational <strong>le</strong>vel independent predictors of dementiaand Alzheimer’s disease ? incidence data from the PAQUID project. Journal ofneurology neurosurgery and psychiatry 66, 177–183.Lin, H., McCulloch, C. E. et Mayne, S. T. (2002). Maximum likelihood estimationin the joint analysis of time-to-event and multip<strong>le</strong> longitudinal variab<strong>le</strong>s. StatMed 21, 2369–82.
- Page 1 and 2:
Université Victor Segalen Bordeaux
- Page 3 and 4:
3RemerciementsA Monsieur Jean-Louis
- Page 5 and 6:
5Un immense merci à tous ceux que
- Page 7 and 8:
7A Delphine et ses mille et une his
- Page 9 and 10:
TABLE DES MATIÈRES 92.3.2 Estimati
- Page 11 and 12:
TABLE DES MATIÈRES 116.3.1 Adéqua
- Page 13 and 14:
Introduction 13ans atteintes d’un
- Page 15 and 16:
Introduction 15Mais, pour l’insta
- Page 17 and 18:
Introduction 171.2 Problèmes méth
- Page 19 and 20:
Introduction 191.2.3 Association en
- Page 21 and 22:
Introduction 21QUID suggère que le
- Page 23 and 24:
Chapitre 2Etat des connaissancesCe
- Page 25 and 26:
Etat des connaissances 25Plusieurs
- Page 27 and 28:
Etat des connaissances 27Prise en c
- Page 29 and 30:
Etat des connaissances 29Extensions
- Page 31 and 32:
Etat des connaissances 31données s
- Page 33 and 34:
Etat des connaissances 33variables
- Page 35 and 36:
Etat des connaissances 35(2000) ne
- Page 37 and 38:
Etat des connaissances 372.3 Modél
- Page 39 and 40:
Etat des connaissances 39chapitre 3
- Page 41 and 42:
Etat des connaissances 41de mélang
- Page 43 and 44:
Etat des connaissances 43Hawkins et
- Page 45 and 46:
Etat des connaissances 45tique de d
- Page 47 and 48:
Etat des connaissances 47L’estima
- Page 49 and 50:
Etat des connaissances 49normales s
- Page 51 and 52:
Etat des connaissances 512.4 Modél
- Page 53 and 54:
Etat des connaissances 53en tant qu
- Page 55 and 56:
Etat des connaissances 55interactio
- Page 57 and 58:
Etat des connaissances 57décrite p
- Page 59 and 60:
Etat des connaissances 59entre l’
- Page 61 and 62:
Etat des connaissances 612.4.3 Cas
- Page 63 and 64:
Etat des connaissances 63l’inform
- Page 65 and 66:
Modèle nonlinéaire à processus l
- Page 67 and 68:
Modèle nonlinéaire à processus l
- Page 69 and 70:
Modèle nonlinéaire à processus l
- Page 71 and 72:
Modèle nonlinéaire à processus l
- Page 73 and 74:
Modèle nonlinéaire à processus l
- Page 75 and 76:
Modèle nonlinéaire à processus l
- Page 77 and 78:
Modèle nonlinéaire à processus l
- Page 79 and 80:
Modèle nonlinéaire à processus l
- Page 81 and 82:
Modèle nonlinéaire à processus l
- Page 83 and 84:
Modèle nonlinéaire à processus l
- Page 85 and 86:
Modèle nonlinéaire à processus l
- Page 87 and 88:
Modèle nonlinéaire à processus l
- Page 89 and 90:
Modèle nonlinéaire à processus l
- Page 91 and 92:
Modèle nonlinéaire à processus l
- Page 93 and 94:
Chapitre 4Modèle nonlinéaire à c
- Page 95 and 96:
Modèle nonlinéaire à classes lat
- Page 97 and 98:
Modèle nonlinéaire à classes lat
- Page 99 and 100:
Modèle nonlinéaire à classes lat
- Page 101 and 102:
Modèle nonlinéaire à classes lat
- Page 103 and 104:
Modèle nonlinéaire à classes lat
- Page 105 and 106:
Modèle nonlinéaire à classes lat
- Page 107 and 108:
Modèle nonlinéaire à classes lat
- Page 109 and 110:
Modèle nonlinéaire à classes lat
- Page 111 and 112:
Modèle nonlinéaire à classes lat
- Page 113 and 114:
Modèle nonlinéaire à classes lat
- Page 115 and 116:
Modèle nonlinéaire à classes lat
- Page 117 and 118:
Modèle nonlinéaire à classes lat
- Page 119 and 120: Modèle nonlinéaire à classes lat
- Page 121 and 122: Modèle nonlinéaire à classes lat
- Page 123 and 124: Modèle nonlinéaire à classes lat
- Page 125 and 126: Modèle nonlinéaire à classes lat
- Page 127 and 128: Modèle nonlinéaire à classes lat
- Page 129 and 130: Modèle nonlinéaire à classes lat
- Page 131 and 132: Modèle nonlinéaire à classes lat
- Page 133 and 134: Modèle nonlinéaire à classes lat
- Page 135 and 136: Modèle nonlinéaire à classes lat
- Page 137 and 138: Modèle nonlinéaire à classes lat
- Page 139 and 140: Modèle nonlinéaire à classes lat
- Page 141 and 142: Modèle nonlinéaire à classes lat
- Page 143 and 144: Modèle nonlinéaire à classes lat
- Page 145 and 146: Modèle nonlinéaire à classes lat
- Page 147 and 148: Modèle nonlinéaire à classes lat
- Page 149 and 150: Chapitre 6Discussion et perspective
- Page 151 and 152: Discussion et perspectives 151la pr
- Page 153 and 154: Discussion et perspectives 153Varia
- Page 155 and 156: Discussion et perspectives 1556.2 M
- Page 157 and 158: Discussion et perspectives 157à cl
- Page 160 and 161: Discussion et perspectives 160effet
- Page 162 and 163: Discussion et perspectives 162Dans
- Page 164 and 165: Chapitre 7BibliographieAmieva, H.,
- Page 166 and 167: Bibliographie 1661, S19-25.Brown, E
- Page 168 and 169: Bibliographie 168Sons, New-York.Fol
- Page 172 and 173: Bibliographie 172Lin, H., McCulloch
- Page 174 and 175: Bibliographie 174Park, CA.Muthén,
- Page 176 and 177: Bibliographie 176Schlattmann, P. (2
- Page 178 and 179: Bibliographie 178in the random-effe
- Page 180 and 181: Chapitre 8Annexes8.1 Liste des publ
- Page 182 and 183: Annexes 182Pau (France)Communicatio
- Page 184 and 185: Annexes 184166 C. Proust, H. Jacqmi
- Page 186 and 187: Annexes 186168 C. Proust, H. Jacqmi
- Page 188 and 189: Annexes 188170 C. Proust, H. Jacqmi
- Page 190 and 191: Annexes 190172 C. Proust, H. Jacqmi
- Page 192 and 193: AnnexesAmerican Journal of Epidemio
- Page 194 and 195: Annexes 194Psychometric Tests’ Se
- Page 196 and 197: Annexes 196Psychometric Tests’ Se
- Page 198 and 199: Annexes 198Psychometric Tests’ Se
- Page 200 and 201: Annexes 200Abstract :When investiga
- Page 202 and 203: Annexes 202educated subjects. This
- Page 204 and 205: Annexes 204(iii) the recognition fo
- Page 206 and 207: Annexes 206Explanatory variablesIn
- Page 208 and 209: Annexes 208IST15 (median=28, IQR=24
- Page 210 and 211: Annexes 210and on the mean evolutio
- Page 212 and 213: Annexes 212These findings should be
- Page 214 and 215: Annexes 214Appendix : model specifi
- Page 216 and 217: Annexes 216References[1] Amieva H,
- Page 218 and 219: Annexes 218[19] Letenneur L, Commen
- Page 220 and 221:
Annexes 220Figure 1 : (A) Predicted
- Page 222 and 223:
Annexes 222Table 1: demographic and
- Page 224:
Annexes 224MMSE 0.0037 * 0.0013,0.0