2,4,6-Régression logistique

Question 1

3 conditions pour faire le modèle de régression simple

Answer 1

1. Les erreurs sont distribués selon une loi normale
2. La variance des erreurs est constante
3. Les observations sont indépendantes

Question 2

3 raisons pourquoi l’approximation linéaire est pas adéquate et il faut utiliser la régression logistique

Answer 2

1. Les erreurs sont contraintes à prendre 2 valeurs possibles (0 et 1) ce qui exclue une distribution normale
2. La variance des erreurs dépend de x donc elle n’est plus constante
3. La quantité B0+B1x correspond à une probabilité et doit par conséquent satisfaire un certain nombre de propriétés et en particulier appartenir à l’intervalle fermé (0-1)

Question 3

Objectifs (2) de la régression logistique

Answer 3

1. L’estimation: Estimer l’ampleur de la relation entre un outcome et un exposition en évaluant l’association entre Y et X
2. La prédiction: Développer une équation qui détermine comment la probabilité qu’un individu avec la condition Y=1 dépend de X

Question 4

Odds ratio lorseque X est continue

Answer 4

Mesure l’évolution des rapports des probabilités d’apparition de l’évènement Y=1 contre l’évènement Y=0 lorseque X passe de x à x+1

Question 5

La vraisemblance varie entre ___, et son logarithme varie entre ___

Answer 5

0 et 1, -inf et 0

Question 6

3 propriétés d’un estimateur de maximum de vraisemblance

Answer 6

1. Il est asymptomatique sans biais
2. Il est de variance minimale
3. Il a asymptomatiquement une distribution normale

Question 7

deux approches pour faire un test de significativité en régression logistique multiple

Answer 7

1. S’appuyer sur la normalité asymptomatique des estimateurs (du maximum de vraisemblance) et utiliser le test de Wald
2. S’appuyer sur le principe du rapport de vraisemblance qui est une approche en cohérence avec la démarche d’estimation des paramètres

Question 8

2 définitions pour le facteur de confusion F

Answer 8

1. s’il existe un lien enre F et la maladie (F est un facteur de risque pour M) et un lien entre F et l’exposition E (F est concomittant de E)
2. F est facteur de confusion si la relation brute entre le facteur de risque E et la maladie M n’est pas la même obtenue aux différents niveaux Fi de F

Question 9

But d’ajustement pour les facteurs de confusion

Answer 9

l’effet d’un facteur de confusion peut augmenter la mesure de l’association entre E et M ou diminuer la mesure de l’association entre E et M
l’ajustement permet d’augmenter la précision (on prends en compte un facteur qui augmente la variabilité de la mesure d’efficacité)

Question 10

Doit on ajuster pour les facteurs de confusion dans un essai randomisé?

Answer 10

Non, la randomisation assure la répartition harmonieuse entre les groupes des variables pronostiques

Question 11

dans le contexte des facteurs de confusion, comment avoir un gain de puissance et de précision dans un essai clinique

Answer 11

ajustement décidé a priori reposant sur les variables de stratification de la randomisation

Question 12

un bon choix de modèles à inclure dans le modèle de régression linéaire repose sur (3)

Answer 12

1. Une bonne connaissance scientifique du problème
2. Une utilisation appropriée des méthodes statisitiques
3. Une connaissance de la littérature

Question 13

Objectifs d’avoir le meilleur modèle (3)

Answer 13

1. Prise en considération des variables explicatives potentielles
2. Control des variables confondantes
3. Résultats stables

Question 14

Résultats de plusieurs variables dans le modèle (2)

Answer 14

1. Perte de puissance
2. Sur-ajustement

Question 15

Résultats de pas assez de variables prises en considération

Answer 15

1. Possibilité de confusion résiduelle
2. Moins bonnes adéquations du modèle
3. Interprétation plus facile

Question 16

Vrai ou faux: il nous arrive souvent qu’on force des variables potentielles dans le modèle

Answer 16

Vrai (si on sait que y’a un effet)

Question 17

Quel test permet de sélectionner un modèle parmi deux modèles emboités

Answer 17

LRT

Question 18

Critères utilisés pour sélectionner un modèle quand ils ne sont pas emboités

Answer 18

AIC et BIC

Question 19

Stratégie de AIC et BIC

Answer 19

Pénaliser la vraisemblance par une fonction de nombre de paramètres

Question 20

formule de l’AIC

Answer 20

-2log(L)+2k

Question 21

l’AIC représente

Answer 21

un compromis entre le biais (qui diminue le nombre de paramètres) et la parcimonie (nécessité de décrire les données avec le plus petit nombre de paramètres possibles)

Question 22

limite de l’AIC

Answer 22

on peut pas l’utiliser quand n/k < 40

Question 23

formule du BIC

Answer 23

-2log(L)+klog(n)