Séance Séminaire

Séminaire de Probabilités et Statistique

Choix d'estimateurs semi-paramétriques en présence de données incomplètes en analyse de survie : application au risque de démence.

Nous nous intéressons à l'estimation semi-paramétrique de la fonction de risque en présence de données incomplètes. Dans le but d'obtenir une estimation lisse, les méthodes à noyaux et la methode de la vraisemblance pénalisée sont souvent utilisées. Le choix du paramètre de lissage est un point crucial de ces méthodes. Nous proposons de faire ce choix à partir d'un critère basé sur l'information de Kullback-Leibler. Une étude de simulation montre les bonnes performances de la validation appliquée à la vraisemblance (LCV) qui est un estimateur de l'espérance de l'information de Kullback-Leibler. En présence de covariables, le critère développé permettra de faire un choix entre un modèle à risques proportionnels et un modèle stratifié. Enfin nous proposons d'utiliser ce critère dans des modèles multi-états du type "illness-death model". Un problème important est le choix de la structure du modèle, par exemple le choix entre un modèle markovien et semi-markovien. Nous proposons de faire ce choix en utilisant le LCV. Nous appliquons cette méthode afin de choisir entre modèle markovien et semi-markovien pour estimer le risque de démence chez les personnes âgées de plus de 65 ans.