부산대학교 도서관

Résumé: En études observationnelles, il est fréquent que les expositions soient mal classées. Toute analyse qui ne tient pas compte proprement des erreurs de classification produira éventuellement des biais dans l'estimation des paramètres du modèle et dans l'inférence sous‐jacente. Or peu de travaux s'intéressent au cas fréquent où une variable d'exposition a plus de deux catégories nominales ou aucune donnée de validation n'est disponible pour évaluer les probabilités de classification erronée. Cet article présente une nouvelle méthode d'analyse des données de cohorte avec une variable d'exposition multicatégories mal classée et une variable de réponse binaire qui utilise des variables instrumentales au lieu d'un ensemble de données de validation. Les auteurs de ce travail commencent par déterminer une condition suffisante pour l'identifiabilité du modèle; puis, en adoptant une telle condition, ils proposent des méthodes d'estimation et d'inférence du modèle. À cet effet, une procédure d'inférence bayésienne variationnelle assistée par la différenciation automatique et le calcul basé sur les MCMC est mise en œuvre. Les auteurs évaluent les méthodes proposées avec des études de simulation et les appliquent à des données échantillonnées à partir de la base de données américaines sur la mortalité par cancer du sein: "Surveillance Epidemiology and End Results". Dans cette application, le traitement thérapeutique déclaré joue le rôle de la variable d'exposition multicatégorie mal classée. [ABSTRACT FROM AUTHOR]