2016-Progrès récents en analyse de données longitudinales

 
Progrès récents en analyse de données longitudinales 
Président: Yogendra Chaubey (Concordia University)
Responsable: Sanjoy Sinha (Carleton University) 
[PDF]
KARELYN DAVIS, Health Canada
Analyse longitudinale d'études sur la santé avec observations censurées  [PDF]
 
Lors d'analyses statistiques d'études nationales sur la santé, les statisticiens font souvent face à des données qui sont corrélées soit en raison d'une classification naturelle ou d'une collecte longitudinale. Notamment, lorsque préoccupés par les concentrations de contaminants chez les humains (par exemple, mercure, plomb), les données de laboratoire peuvent être recueillies de manière à déterminer des tendances significatives chez les groupes plus vulnérables tels que les femmes enceintes et les enfants. Par contre, ces concentrations de contaminants peuvent être assez faibles pour être sous la limite de détection du laboratoire et ainsi être classifiées en tant que concentration non détectée. Lors de cette présentation, des analyses provenant d'une étude de Santé Canada seront discutées. Ces analyses élargissent les modèles linéaires mixtes pour incorporer des contraintes de paramètres et des analyses d'observations censurées à gauche. 
 
ABDUS SATTAR, Case Western Reserve University
Modélisation conjointe de données longitudinales de survie avec une covariable soumise à une limite de détection  [PDF]
 
Nous développons et étudions des méthodes novatrices pour modéliser conjointement des données longitudinales et de temps d'événement avec une covariable ou un biomarqueur soumis à une limite de détection (LOD). Nous examinons le gain en efficacité des modèles conjoints sur les modèles séparés lorsque nous tentons d'estimer l'effet d'une covariable endogène avec une dépendance temporelle sur les temps de survie. Nous examinons aussi les effets des lois des effets aléatoires mal spécifiés sur l'inférence de vraisemblance. Notre vaste étude de simulation indique que si la loi des effets aléatoires présumée dévie en grande partie de la vraie loi, la méthode de maximum de vraisemblance peut produire systématiquement des estimateurs biaisés. Nous présentons une application de la méthode proposée avec des données d'un vaste essai clinique de l'étude sur les marqueurs génétiques et inflammatoires du sepsis (GenIMS). 
 
SANJOY SINHA, Carleton University
Méthodes pour données longitudinales avec réponses manquantes et valeurs aberrantes ne pouvant être ignorées  [PDF]
 
Plusieurs études longitudinales contiennent des données manquantes. Lorsque la non-réponse est non-ignorable, il est important d'analyser les données en incorporant un modèle de données manquantes dans la fonction de vraisemblance des données observées. Il est bien connu que les estimateurs de maximum de vraisemblance (ML) sont habituellement sensibles aux valeurs aberrantes potentielles dans les données. Je propose et explore une méthode robuste qui est développée selon le cadre de l'estimation ML et qui est utile pour réduire la pondération d'observations qui ont de l'influence lors de l'estimation des paramètres du modèle. Les propriétés empiriques des estimateurs robustes sont étudiées dans des simulations. La méthode proposée est aussi illustrée au moyen d'un exemple utilisant des données longitudinales réelles sur le CD4 provenant d'essais cliniques sur des patients infectés par le VIH.