Télécharger le texte intégral - ISPED-Enseignement à distance

Etat des connaissances 30aléatoires afin de réduire le nombre de paramètres.Ensuite, Fieuws et Verbeke (2004) ont montré que les estimateurs de la corrélationentre les effets aléatoires reliant deux marqueurs dans un modèle mixte bivarié pouvaientêtre biaisés lorsque la structure de variance-covariance des erreurs n’étaitpas bien spécifiée. Lorsque l’objectif est d’étudier spécifiquement la structure decorrélation entre plusieurs marqueurs, les auteurs recommandent donc d’explorer lastructure de corrélation des erreurs en même temps que la structure de corrélationdes effets aléatoires et d’interpréter les résultats avec prudence. Néanmoins, lorsquel’objectif est de gagner de la puissance dans l’estimation des effets fixes, une mauvaisespécification des erreurs n’engendre pas de biais.Le modèle mixte multivarié peut être utilisé pour modéliser conjointement plusieursmesures d’une même quantité sous-jacente afin d’augmenter la puissance dansl’estimation de l’effet global d’une variable explicative sur tous les marqueurs. Dansle modèle bivarié (2.5), cela consiste à considérer que le paramètre associé à la variableexplicative est commun dans β 1 et β 2 . Le problème majeur est que, la plupartdu temps, les marqueurs utilisés, même s’ils mesurent la même quantité sous-jacente,n’ont pas la même unité ni la même échelle. Or, considérer un paramètre communà tous les marqueurs n’est possible que si l’effet a la même amplitude et la mêmeinterprétation pour tous les marqueurs, c’est à dire si les marqueurs ont la mêmeéchelle et la même unité (O’Brien et Fitzmaurice, 2005). Pour étudier l’effet globald’une variable explicative sur des marqueurs ayant des dimensions différentes, Grayet Brookmeyer (1998) ont proposé un modèle de régression marginale estimé par uneapproche par GEE (Generalized Equation Estimation). L’idée est de paramétrer l’effetde la variable explicative pour qu’il soit sans dimension (indépendant des unitésdes marqueurs) et qu’il puisse varier suivant l’échelle de temps de la trajectoire dechaque marqueur. Gray et Brookmeyer (2000) ont ensuite étendu ce modèle pourprendre en compte des données de plusieurs types : ordinales, binaires ou quantitatives.Cette approche qui consiste à étudier la composante commune de plusieursmarqueurs en s’affranchissant des problèmes d’unité ou de différents types de