2016-Biostatistique : méthodes et applications 2


Biostatistique : méthodes et applications 2 
Président: Joseph Beyene (McMaster University) 
[PDF]

YANG JIAN, University of Calgary
Méthode d'estimation de la distance minimale de Hellinger pour un modèle de régression linéaire [PDF]
 
L'estimation de la distance minimale de Hellinger (EDMH) se veut une méthode attrayante d'estimation pour les données discrètes lorsque le modèle supposé est soupçonné être le vrai. Dans cette présentation, nous présentons d'abord la distance minimale de Hellinger (DMH) et l'EDMH. Ensuite, nous allons dériver l'EDMH pour le modèle de régression linéaire. Certaines propriétés de l'estimateur sont discutées et une comparaison avec l'EMV est réalisée à l'aide d'études de simulation de Monte Carlo. Enfin, nous allons appliquer cette méthode à un jeu de données sur le cancer du sein et démontrer sa mise en œuvre et son efficacité dans l'estimation. 
 
ERIN LUNDY, University of Western Ontario
Analyse de données de dénombrement arrondies et de données longitudinales de présence et d'absence dans des modèles conjoints de régression de Poisson à surreprésentation de zéros  [PDF]
 
Dans les études longitudinales, des données d'événements récurrents où une fraction des sujets n'est pas à risque pour un événement sont fréquemment observées. Dans de nombreuses situations, on enregistre des données de dénombrement agrégé du nombre d'événements autodéclarés sur une certaine période d'observation. Les données de dénombrement autodéclarées sont souvent arrondies, ce qui a une incidence sur la répartition des données observées et ce qui peut biaiser l'estimation. Par ailleurs, la présence ou l'absence d'événements entre des évaluations périodiques plus courtes peuvent être enregistrées. Motivés par une grande étude sur le comportement criminel, nous comparons l'analyse des données arrondies de dénombrement agrégé et les données de présence et d'absence au moyen de modèles de régression de Poisson à surreprésentation de zéros. 
 
RACHID BENTOUMI, Université d'Ottawa
Gain en information sous l'échantillonnage à biais de longueur  [PDF]
 
Dans les études épidémiologiques, les sujets souffrant de la maladie (cas prévalents) diffèrent des cas nouvellement malades (incidents). Des méthodes pour les analyses de régression ont récemment été proposées pour mesurer les effets potentiels des covariables sur la survie. Nous proposons d'élargir la mesure de dépendance fondée sur le gain en information dans le contexte d'échantillonnage à biais de longueur. Ceci exigera le développement d'un estimateur pour la loi de la covariable. Nous évaluerons les propriétés asymptotiques de la mesure de dépendance et du gain en information estimé et nous illustrerons les méthodes en utilisant à la fois la simulation et l'application à l'étude canadienne sur la santé. 
 
ELNAZ GHADIMI, Concordia University
Estimation multivariée du taux de guérison sous censure aléatoire  [PDF]
 
Nous avons considéré un estimateur multivarié non-paramétrique du taux de guérison sous censure aléatoire. Les individus peuvent être guéris ou non. L'événement d'intérêt est défini comme étant le décès. Nos données sont censurées à la fin du suivi. Sen et Stute ont proposé un estimateur multivarié de Kaplan-Meier via la méthode de déplacement de la masse. Nous utilisons la queue de l'estimateur Sen-Stute comme estimateur du taux de guérison sous censure aléatoire. En s'inspirant de Maller et Zhou sans utiliser la théorie des martingales, la normalité asymptotique de l'estimateur univarié et multivarié du taux de guérison est établie et son estimateur de la variance est obtenu. Les résultats sont illustrés à l'aide de simulations et de données réelles. 
 
REGINA S. KAMPO, McMaster University
Évaluer l'influence de la non-adhérence sur la méta-analyse à effets fixes pour un résultat continu : une étude de simulation  [PDF]
 
Une méta-analyse traditionnelle suppose l'adhérence complète pour une intervention. Pour certaines interventions telles que l'exercice, le changement de régime alimentaire, etc., l'adhérence pourrait représenter un défi pouvant compromettre les inférences. Nous avons étudié l'influence de la non-adhérence sur la méta-analyse d'un résultat continu à l'aide de simulations. Nous avons fait varier plusieurs paramètres clés et avons évalué l'effet de la non-adhérence sur les propriétés de l'estimation et du test d'hypothèse. Les résultats des études de simulation montrent que les propriétés de l'estimation et de l'hypothèse fournissent de bons résultats sous adhérence complète, mais ne sont pas optimales lorsque la non-adhérence est observée. Ainsi, les chercheurs doivent traiter la non-adhérence avec prudence avant d'utiliser les résultats dans le processus décisionnel. 
 
YUYING XIE, University of Waterloo
Approche par modèle moyen pour l'estimation de scores de propension en optimisant l'équilibre [PDF]
 
De nombreuses approches, y compris la modélisation paramétrique traditionnelle et les techniques d'apprentissage automatique, ont été proposées pour estimer les scores de propension. Nous proposons une nouvelle approche par modèle moyen pour l'estimation des scores de propension, approche qui combine des estimations paramétriques et non paramétriques pour équilibrer les covariables. Des études de simulation sont menées selon divers scénarios dans lesquels le degré d'erreur de spécification du modèle de traitement varie. Nous voyons que contrairement aux approches existantes, il y a moins de biais et des erreurs types moins importantes avec la méthode proposée. Celle-ci est appliquée à un ensemble de données réelles afin d'évaluer l'effet causal de l'usage de formules ou d'une alimentation mixte pour les bébés comparativement au recours exclusif à l'allaitement sur le score-Z de l'IMC de l'enfant.