Sophie Ancelet-Enjalric (INRA, Département MIA, Unité Mét@risk)

Analyse bayésienne de données de survie discrètes sujettes à censure informative avec un modèle à effets aléatoires partagés reparamétré

vendredi 12 mars 2010, 9h30 - 10h45

Salle de réunion, espace Turing


Les mécanismes de censure dits informatifs viennent souvent complexifier l’analyse de données de survie. L’inférence de modèles standards ne tenant pas compte de ce type de données manquantes peut mener à des conclusions biaisées. De nombreux travaux se sont axés autour des modèles à effets aléatoires partagés pour l’analyse de données longitudinales avec censure informative.

Dans un premier temps, je présenterai une extension à cette classe de modèles hiérarchiques pour l’analyse de données de survie discrètes sujettes à censure informative. Le modèle à effets aléatoires partagés proposé est basé sur la combinaison de deux modèles à hasards proportionnels en temps discret et, contrairement aux approches classiques, tient compte de l’existence possible d’une variabilité résiduelle non-partagée. Puis, je me placerai sous le paradigme bayésien et proposerai une reparamétrisation possible du modèle proposé, par ajout de paramètres multiplicatifs redondants, ainsi qu’un choix spécifique de lois a priori permettant d’améliorer les propriétés de convergence des algorithmes MCMC implémentés pour mener l’inférence bayésienne du modèle proposé. Enfin, je présenterai les bases d’un algorithme stochastique bayésien permettant la sélection simultanée d’effets fixes et d’effets aléatoires dans les modèles à effets aléatoires partagés, en prenant pour exemple particulier le modèle proposé pour la modélisation de données de survie discrètes avec censure informative.

J’illustrerai la pertinence de l’approche bayésienne proposée par des simulations ainsi que sur un jeu de données de survie discrètes issues de l’enqu »te scientifique « Devenir Après Initiation de la Fécondation-In-Vitrö (DAIFI) menée par l’INSERM et l’INED.