Bibliographie 174Park, CA.Muthén, B., Brown, C. H., Masyn, K., Jo, B., Khoo, S. T., Yang, C. C., Wang,C. P., Kellam, S. G., Carlin, J. B. et Liao, J. (2002). General growth mixturemodeling for randomized preventive interventions. Biostatistics 3, 459–75.Muthén, B. et Muthén, L. (2001). Mplus user’s guide. Muthén and Muthén, LosAnge<strong>le</strong>s, CA.Muthén, B. et Shedden, K. (1999). Finite mixture modeling with mixture outcomesusing the EM algorithm. Biometrics 55, 463–9.Nityasuddhi, D. et Bohning, D. (2003). Asymptotic properties of the EM algorithmestimate for normal mixture models with component specific variances. ComputationalStatistics and Data Analysis 41, 591–601.O’Brien, L. M. et Fitzmaurice, G. M. (2005). Regression models for the analysis oflongitudinal gaussian data from multip<strong>le</strong> sources. Stat Med 24, 1725–44. JournalArtic<strong>le</strong>.OPEPS (2006). Rapport sur la maladie d’Alzheimer et <strong>le</strong>s maladies apparentées.Office par<strong>le</strong>mentaire d’évaluation des politiques de santé.O’Sullivan, F. (1988). Fast computation of fully automated log-density and loghazardestimators. SIAM Journal on Scientific ans statistical computing 9, 363–379.Pau<strong>le</strong>r, D. K. et Laird, N. M. (2000). A mixture model for longitudinal data withapplication to assessment of noncompliance. Biometrics 56, 464–72.Proust, C. et Jacqmin-Gadda, H. (2005). Estimation of linear mixed models with amixture of distribution for the random-effects. Computer Methods and Programsin Biomedicine 78, 165–173.Rabe-Hesketh, S., Skrondal, A. et Pick<strong>le</strong>s, A. (2004). Generalized multi<strong>le</strong>vel structura<strong>le</strong>quation modelling. Psychometrika 69, 167–90.Ramaroson, H., Helmer, C., Barberger-Gateau, P., Letenneur, L. et Dartigues, J. F.(2003). [preva<strong>le</strong>nce of dementia and Alzheimer’s disease among subjects aged 75years or over : updated results of the PAQUID cohort]. Rev Neurol (Paris) 159,
Bibliographie 175405–11.Ramsay, J. (1988). Monotone regression splines in action. Statistical science 3,425–461.Redner, R. A. et Walker, Homer, F. (1984). Mixture densities, maximum likelihoodand the EM algorithm. SIAM review 26, 195–239.Reite, M., Cullum, C. M., Stocker, J., Tea<strong>le</strong>, P. et Kozora, E. (1993). Neuropsychologicaltest performance and meg-based brain lateralization : sex differences.Brain Res Bull 32, 325–8. Journal Artic<strong>le</strong>.Richardson, S. et Green, P. J. (1997). On bayesian analysis of mixtures with anunknown number of components. J R Statist Soc B 59, 731–792.Rindskopf, D. (2003). Mixture or homogeneous ? Comment on Bauer and Curran(2003). Psychol Methods 8, 364–8 ; discussion 384–93.Ringman, J. et Cummings, J. (2006). Current and emerging pharmacological treatmentoptions for dementia. Behavioural Neurology 17, 5–16.Roy, J. (2003). Modeling longitudinal data with nonignorab<strong>le</strong> dropouts using alatent dropout class model. Biometrics 59, 829–36.Roy, J. et Lin, X. (2000). Latent variab<strong>le</strong> models for longitudinal data with multip<strong>le</strong>continuous outcomes. Biometrics 56, 1047–1054.Roy, J. et Lin, X. (2002). Analysis of multivariate longitudinal outcomes with nonignorab<strong>le</strong>dropouts and missing covariates : changes in methadone treatmentpractices. Journal of the American Statistical Association 97, 40–52.Salthouse, T. A. (1996). The processing-speed theory of adult age differences incognition. Psychol Rev 103, 403–28.Sánchez, B. N., Budtz-Jorgensen, E., Ryan, L. M. et Hu, H. (2005). Structura<strong>le</strong>quation models : a review with applications to environmental epidemiology.Journal of the American Statistical Association 100, 1443–1455.Scarmeas, N., Albert, S. M., Manly, J. J. et Stern, Y. (2006). Education and rates ofcognitive decline in incident Alzheimer’s disease. J Neurol Neurosurg Psychiatry77, 308–16.
- 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 170 and 171: Bibliographie 170Hogan, J. W. et La
- Page 172 and 173: Bibliographie 172Lin, H., McCulloch
- 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