Titre :
|
Biométrie et épidémiologie. Analyse de données longitudinales gaussiennes comportant des données manquantes sur la variable à expliquer. (1999)
|
Titre original:
|
Analysis of longitudinal Gaussian data with missing data on the response variable. Biometrics and epidemiology.
|
Auteurs :
|
H. JACQMIN-GADDA ;
M. CHAVANCE ;
D. COMMENGES ;
J.F. DARTIGUES ;
Association des Epidémiologistes de Langue Française. INC ;
Inserm U330. Bordeaux. FRA ;
Société Française de Biométrie. FRA ;
Journées "Biométrie et Epidémiologie". (30/09/1999; Vannes. FRA)
|
Type de document :
|
Article
|
Dans :
|
Revue d'épidémiologie et de santé publique (RESP) (vol. 47, n° 6, 1999)
|
Pagination :
|
525-534
|
Langues:
|
Français
|
Mots-clés :
|
France
;
Europe
;
Homme
;
Epidémiologie
;
Méthodologie
|
Résumé :
|
[BDSP. Notice produite par INIST 5VR0xR7V. Diffusion soumise à autorisation]. Position du problème : L'objectif de ce travail est de montrer, sur une application et des simulation les biais que peuvent induire les données manquantes sur la variable à expliquer dans les études longitudinales et de discuter les méthodes appropriées en fonction du type de réponse manquante lorsque la variable d'intérêt est gaussienne. Méthodes : Le modèle retenu pour l'analyse des données longitudinales gaussiennes est le modèle linéaire à effets mixtes. Lorsque la probabilité de réponse est indépendante des valcurs manquantes de la variable à expliquer et des paramètres du modèle linéaire, les données manquantes sont dites ignorables et les paramètres du modèle linéaire à effets mixtes peuvent être estimés par la méthode du maximum de vraisemblance à l'aide des logiciels courants. Lorsque les données manquantes sont non ignorables plusieurs méthodes ont été proposées. Nous présentons la méthode proposée par Diggle et Kenward (1994) (méthode DK) pour laquelle un logiciel est disponible. Ce modèle consiste en la combinaison d'un modèle linéaire à effets mixtes pour la variable d'intérêt et un modèle logistique pour la probabilité de réponse qui dépend de la variable d'intéret. Résultats : Une étude par simulations permet de montrer l'efficacité de cette méthode et ses limites lorsque l'hypothèse de normalité n'est pas vérifiée. (...)
|