Modélisation des observations longitudinales incomplètes

Modelling incomplete longitudinal data

• Auteur / Autrice : Pascal Minini
• Direction : Michel Chavance
• Type : Thèse de doctorat
• Discipline(s) : Biostatistique
• Date : Soutenance en 2004
• Etablissement(s) : Paris 11
• Partenaire(s) de recherche : Laboratoire : Biostatistique (Villejuif, Val de Marne)
• Partenaire(s) de recherche : autre partenaire : Université de Paris-Sud. Faculté de médecine (Le Kremlin-Bicêtre, Val-de-Marne)
• Jury : Président / Présidente : Jean Maccario
• Jury : Examinateurs / Examinatrices : Michel Chavance, Jean Maccario, Hélène Jacqmin-Gadda, Geert Molenberghs, Florence Casset Semanaz, Catherine Huber-Carol
• Jury : Rapporteurs / Rapporteuses : Hélène Jacqmin-Gadda, Geert Molenberghs

Mots clés

Mots clés contrôlés

Analyse de survie (biométrie)

Méthode longitudinale

Observations manquantes (statistique)

Sensibilité, Théorie de la (mathématiques)

Mots clés libres

Sorties d'étude

Résumé

Au cours des études longitudinales, des sujets sont observés afin de mesurer l'évolution une réponse d'intérêt. Le protocole de ces études prévoit de recueillir un certain nombre de réponses pour chaque sujet. Cependant, il est extrêmement rare que toutes les mesures prévues soient effectivement réalisées. L'analyse des données incomplètes est devenu un thème majeur de la statistique au cours des dernières années. De nombreuses méthodes ont été proposées, mais il est généralement impossible de s'assurer de leur validité. Il est désormais recommandé de réaliser une analyse de sensibilité, afin d'évaluer dans quelle mesure les résultats d'une étude peuvent être affectés par différentes hypothèses concernant le processus de données manquantes. Ce rapport souligne la nécessité de l'analyse de sensibilité, et montre comment cet objectif peut être atteint dans trois situations différentes, les données normales, les données binaires et les données de survie.

In longitudinal studies, subjects are repeatedly observed to obtain measurements of some response. The protocol of such studies plans to collect a fixed number of responses for each subject, during a predefined follow-up period. However, it is extremely rare that all the planned measurements are actually performed. The analysis of incomplete data has become a major topic in statistics during the last years. Many methods have been proposed, but it is generally impossible to check their validity. It is now recommended to perform a sensitivity analysis, to evaluate the extent to which the results from a study can be affected by different assumptions regarding the missing data process. This report highlights the need for a sensitivity analysis, and shows how this aim can be achieved in three different situations, normal data, binary data and survival data.