Télécharger le texte intégral - ISPED-Enseignement à distance

Etat des connaissances 48ses probabilités a posteriori d’appartenir à chacune des classes latentes. En affectantà chaque sujet, la classe latente à laquelle il a la plus grande probabilité d’appartenir,on obtient une classification a posteriori des sujets suivant les classes latentesestimées dans le modèle. Cette classification peut ensuite être utilisée pour évaluerl’association entre les classes latentes des profils d’évolution et les caractéristiquesdes sujets (Verbeke et Lesaffre, 1996 ; Xu et Hedeker, 2001).Adéquation du modèleAvec l’intérêt croissant qu’ont reçu les modèles de mélange pour données longitudinaleset notamment d’un point de vue appliqué (Bauer et Curran, 2003a), le testd’adéquation est devenu un point crucial du développement de ce type de modèle.En effet, s’agissant de modèles paramétriques complexes, il est nécessaire d’évaluerleurs hypothèses sous-jacentes.Comme pour les modèles de mélange classiques, le nombre de composantes dansle modèle de mélange pour données longitudinales constitue l’hypothèse la plusimportante. Dans la plupart des travaux sur les modèles de mélange pour donnéeslongitudinales (Verbeke et Lesaffre, 1996 ; Muthén et Shedden, 1999 ; Muthén et al.,2002 ; Bauer et Curran, 2003a), l’évaluation du nombre de composantes est faite parle Bayesian Information Criterion (BIC) (Schwartz, 1978) qui consiste à pénaliserla déviance du modèle par le nombre de paramètres multiplié par le logarithme dunombre de sujets dans l’échantillon. Ce critère est préféré au critère d’Akaike (AIC)qui pénalise la déviance par deux fois le nombre de paramètres et a tendance àsurestimer le nombre de composantes (Hawkins et al., 2001 ; Wang et al., 2005).Cependant, si le BIC permet de déterminer le nombre optimal de classes latentessous l’hypothèse de mélange de population, il ne permet pas d’évaluer l’adéquationdu modèle obtenu (Muthén, 2004). D’autres travaux ont donc consisté à explorerl’adéquation d’un modèle de mélange en confrontant les prédictions du modèle finalaux données observées. Verbeke et Molenberghs (2000) ont ainsi proposé d’évaluersi la distribution marginale des prédictions était bien le mélange de distributions