부산대학교 도서관

Résumé : La méthodologie de régression du processus est sous‐développée par rapport à la fréquence relative à laquelle des données pertinentes apparaissent. Cet article porte sur le cas d'un processus cible binaire représentant le fait d'être à la fois vivant et dans un état donné. Le processus est indicé par le temps (p. ex. le temps depuis le diagnostic) et observé en continu. De telles données émergent souvent d'études sur les maladies chroniques. L'application de cette méthodologie s'adapte bien notamment aux événements récurrents de durée non‐négligeable (p. ex. hospitalisation et durée du séjour à l'hôpital) et sujets à un événement terminal (p. ex. la mort). Les auteurs proposent un modèle multiplicatif semi‐paramétrique pour la version processus de la probabilité d'être vivant et de se trouver dans un état (transitoire) d'intérêt. Cette méthode permet d'estimer les paramètres de régression sans estimer la probabilité de base. Contrairement à la majorité des méthodes de régression de processus, celle‐ci admet également plusieurs sources de censure. À l'aide du modèle de risque additif, les auteurs dérivent une variante facile à calculer des poids de censure de probabilité inverse. Ils montrent que les paramètres de la régression sont asymptotiquement normaux et que l'estimateur de la fonction de probabilité de base converge vers un processus gaussien. Ils présentent des simulations qui démontrent que leurs estimateurs offrent de bonnes performances sur des échantillons finis. Ils illustrent également leur méthode sur des données réelles d'insuffisance hépatique terminale. La revue canadienne de statistique 48: 222–237; 2020 © 2019 Société statistique du Canada [ABSTRACT FROM AUTHOR]