Techniques d’enquête
La vraisemblance pénalisée de Firth pour les régressions à risques proportionnels en cas d’enquêtes complexes
par Pushpal K. MukhopadhyayNote 1
- Date de diffusion : Le 15 décembre 2020
Résumé
Le présent article propose une méthode de mise à l’échelle des poids pour la vraisemblance pénalisée de Firth pour des modèles de régression à risques proportionnels. La méthode calcule une relation entre la vraisemblance pénalisée utilisant des poids mis à l’échelle et la vraisemblance pénalisée utilisant des poids non mis à l’échelle, et elle montre que la vraisemblance pénalisée utilisant des poids mis à l’échelle possède certaines propriétés souhaitables. Une étude par simulations indique que la vraisemblance pénalisée utilisant des poids mis à l’échelle produit des biais plus petits dans les estimations ponctuelles et les erreurs-types que les biais produits par la vraisemblance pénalisée utilisant des poids non mis à l’échelle. La vraisemblance pénalisée pondérée est appliquée à l’estimation des taux de risque pour les crises cardiaques au moyen d’un ensemble de données à grande diffusion provenant de la National Health and Epidemiology Follow up Study (HEFS, Étude de suivi épidémiologique et de santé nationale). L’annexe contient les instructions SASMD servant à estimer les taux de risque à l’aide de données d’enquêtes complexes.
Mots-clés : Vraisemblance monotone; jackknife avec suppression d’une UPE; mise à l’échelle de poids.
Table des matières
- Section 1. Introduction
- Section 2. Mise à l’échelle des poids
- Section 3. Applications sur des enquêtes complexes
- Section 4. Résumé
- Remerciements
- Annexe 1
- Annexe 2
- Bibliographie
Citation de l'article
Mukhopadhyay, P.K. (2020). La vraisemblance pénalisée de Firth pour les régressions à risques proportionnels en cas d’enquêtes complexes. Techniques d’enquête, Statistique Canada, n° 12-001-X au catalogue, vol. 46, n° 2. Article accessible à l'adresse https://www150.statcan.gc.ca/n1/pub/12-001-x/2020002/article/00004-fra.htm.
Note
- Date de modification :