Brainscape's Knowledge GenomeTM

Browse over 1 million classes created by top students, professors, publishers, and experts.


See full index

Automne 2024 > Concepts et méthodes final > Flashcards

Concepts et méthodes final Flashcards

1
Q

qu’est-ce que l’ajustement

A
  • résumer en une mesure globale les mesures spécifiques des différentes strates
  • modification du poids attribué à chacun des strates
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
2
Q

le choix du poids dans l’ajustement est choisi comment

A

de manière arbitraire

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
3
Q

qu’est-ce qu’un biais de confusion et ses caractéristiques nécessaires

A
  • l’effet d’un facteur sur l’exposition est entremêlé avec l’effet d’un autre facteur
  • lien avec exposition et événement, mais pas dans la chaîne causale
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
4
Q

comment peut-on corriger une biais de confusion

A
  • en stratifiant le résultat selon des catégories du facteur confondant
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
5
Q

qu’est-ce que la standardisation directe

A
  • présence d’une population standard de référence fournissant les poids wsi
  • calcul avec la formule pour chaque catégorie
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
6
Q

qu’est-ce que la standardisation indirecte

A
  • les poids proviennent des exposés et non d’une population standard
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
7
Q

que permet de faire la standardisation indirecte

A

calculer une mesure ajustée même si seul le nombre total de cas est connu = nombre total de cas par strate est inconnu

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
8
Q

la standardisation est largement utilisé pour ajuster l’effet de X mais peut être utilisé pour contrôler X

A
  • l’âge
  • tout autre variable confondante
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
9
Q

est-ce que le choix des poids a un grand effet et pourquoi

A

oui, car si les poids les plus importants sont placés dans les catégories avec les taux d’incidence les plus élevés le résultat sera nécessairement élevé

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
10
Q

que permet la standardisation

A
  • contrôler les biais internes
  • permet comparaison avec d’autres résultats
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
11
Q

lorsque l’on stratifie pour la variable potentiellement confondante devrait-il ou non maintenir une variation dans la strate pour la variable d’exposition

A

il ne devrait plus avoir de variation

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
12
Q

qu’est-ce que l’estimateurs de mantel-haenszel

A
  • permet de réaliser une moyenne des mesures d’associations en fonction de l’importance de chacune des strates = la strate avec le plus de connées sera celle obtenant le plus de poids
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
13
Q

l’estimateurs de mantel-haenszel peut être utilisé pour quel type d’analyses

A
  • ration
  • différences
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
14
Q

quelle est la condition pour l’utilisation de l’estimateurs de mantel-haenszel

A

la mesure d’association doit être uniforme pour toutes les strates

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
15
Q

comment on interprète les résultats de l’estimateurs de mantel-haenszel

A
  1. mention de la mesure d’association ajustée obtenue
  2. mention de la mesure d’association brute
  3. mention de la différence relative entre les deux résultat (ajusté-brute/brute) = %
  4. mention du facteur confondant qui affectait la mesure brute
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
16
Q

que se produit-il lorsque le facteur confondant est considéré en large catégories

A
  • le contrôle de la confusion est imparfait
  • la mesure ajustée est affectée de confusion résiduelle
  • un meilleur contrôle de la confusion entraîne la mesure d’association plus loin dans la même direction
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
17
Q

quoi faire lorsque l’on considère que plusieurs facteurs peuvent avoir un effet confondant sur la mesure d’association

A
  • juger de leur effet conjointement plutôt que de façon séquentielle l’un après l’autre
  • L’analyse stratifiée peut trouver ses limites avec plusieurs facteurs confondants et des données hétérogènes
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
17
Q

que doit toujours avoir l’estimateurs de MH

A

être compris entre les mesures spécifiques des strates: mathématiquement, c’est nécessaire puisqu’il
est une mesure pondérée des résultats des strates

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
18
Q

que se passe-t-il si les mesures sont très proches ou identiques

A

la mesure pondérée sera très similaire

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
19
Q

que se passe-t-il si les mesures sont très différentes

A

il sera plus difficile de prédire quelle sera la mesure pondéree

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
20
Q

si ma valeur ajustée et brute n’ont pas de facteur confondant laquelle j’utilise pour trouver IC

A

la valeur brute donc utilisé la formule de la valeur d’association

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
21
Q

est-ce que les mesures standardisées sont réelles ou non

A
  • Les mesures standardisées ne sont pas des mesures réelles, mais elles
    permettent la comparaison entre les populations
  • Elles permettent des comparaisons directes si les poids donnés à chacune des
    strates sont les mêmes
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
22
Q

vrai ou faux, la stratification permet de contrôler la confusion

A

oui

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
23
Q

Vrai ou Faux. Le rapport standardisé de mortalité repose sur une standardisation indirecte.

A

vrai

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
24
Q

vrai ou faux, les estimateurs de Mantel-Haenszel permet de faire une moyenne des mesures d’association en fonction de l’importance de chacune des strates (moyenne pondérée)

A

vrai

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
25
Q

comment se calcule le rapport standardisé de mortalité

A

cas observés / cas escomptés ou attendus

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
26
Q

comment savoir si mon facteur est confondant ou non

A

si la différence entre valeur brute et valeur valeur ajustée est de 10% ou plus elle est confondante

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
27
Q

qui suis-je, je suis la méthode pour tenir compte des facteurs de confusion dans une mesure d’effet, on obtient une mesure globale ajustée à partir des poids des différentes strates

A

standardisation

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
28
Q

comment s’interprète un RSM supérieur à 1 versus inférieur à 1

A
  • supérieur 1 = risque de mourir dans pop observée est plus élevée que ce à quoi on aurait observé dans la population de référence
  • inférieur 1 = risque de mourir dans pop observée est moins grand que ce à quoi on aurait observé dans la population de référence
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
29
Q

qui suis-je, je suis la moyenne de mesures de toutes les strates

A

estimateur de MH

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
30
Q

que permet estimateur de MH

A

avoir une mesure globale pour l’ensemble de la population

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
31
Q

que représente:
- I
- 1
- 0

A
  • i = mesure dans chacune des strates
  • 1 = mesure chez les exposés
  • 0 = mesure chez les non exposés
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
32
Q

comment savoir si mon facteur confondant sur ou sous estime

A

comparer valeur brute et valeur ajustée
- si facteur de protection soit sous 1 = regarde différence entre mesure brute et valeur nulle pareil pour valeur ajustée, quand la mesure brute est plus loin que 1 = surestime
- facteur de risque = méthode habituelle

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
33
Q

Comment savoir si j’ai une valeur confondante

A

Si ma valeur brute n’est pas à l’intérieur de mon intervalle des résultats stratifiés, le facteur est confondant

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
34
Q

Pourquoi le fait de prendre ma valeur brute au lieu de mes valeurs stratifiées lors de confusion est mal

A

Car cela mettrait de côté l’exposition des effets spécifique distinct du facteur confondant sur les strates

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
35
Q

À quoi réfère le concept d’interaction

A

Basé sur l’idée que l’effet d’une exposition, comparée avec une non-exposition de référence peut dépendre de la présence d’une ou plusieurs autres conditions

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
36
Q

Quels sont les 2 autres concepts auxquels fait référence l’interaction

A
  • Synergie
  • Antagonisme
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
37
Q

Est-ce qu’une variable peut être en même temps confondante et modifiante

A

oui

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
38
Q

En d’autres mots, que permet l’interaction

A
  • Savoir si l’association est différente selon les catégories d’exposition
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
39
Q

Pourquoi il y a beaucoup d’ambiguïté et de confusion du terme interaction

A
  • Car la définition d’interaction varie si on la voie de manière statistique, biologique ou de santé publique
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
40
Q

Qui suis-je, cherche à évaluer l’effet d’une variable M sur une relation entre X et Y = est-ce que l’association entre X et Y varie selon les niveaux de M

A
  • Modificateur
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
41
Q

Qui suis-je, on donne un statut égal à X et M = effet conjoint entre les deux facteurs sur Y

A
  • Interaction
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
42
Q

Qu’est-ce que l’interaction biologique

A
  • Interdépendance entre les causes où un facteur peut potentialiser ou inhiber un autre
  • L’apparition de l’événement dépend de 2 expositions à la fois pour certains individus
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
43
Q

L’interaction biologique fait référence à quel concept

A
  • Causes suffisantes de Rothman
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
44
Q

Est-ce que l’interaction biologique peut être présente même si les effets sont additifs

A

oui

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
44
Q

Dans le cadre du modèle des causes suffisantes, la présence d’interaction dite biologique ne se mesure que sur une échelle X

A
  • Additive
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
44
Q

Lorsque l’on décrit notre interaction il ne faut pas oublier quoi?

A
  • Toujours identifier l’échelle de mesure
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
45
Q

On peut évaluer la présence d’interaction biologique avec des mesures d’association basées sur les X et sur les X

A
  • Différences
  • Rations
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
46
Q

L’interaction dans le cadre du cours a été présentée avec des formules précises, quelle est la particularité de l’utilisation de ces formules

A
  • Ces formules fonctionnement seulement pour des expositions augmentant le risque
  • Ainsi si on a un effet protecteur comme exposition (activité physique sur le diabète) on doit regarder le sens inverse de l’exposition (manque d’activité physique sur le diabète)
46
Q

Pourquoi il y a un intérêt des interactions causales

A
  • Identification des interactions biologiques a des conséquences en santé publique
46
Q

Qu’est-ce que l’interaction statistiques

A
  • L’effet d’une variable peut différer selon le statut d’une autre variable sur une échelle donnée
  • Elle n’a pas de signification universelle (comme c’est le cas de l’interaction biologique), car elle diffère selon le modèle statistique
47
Q

Est-ce que l’interaction statistique peut varier selon l’échelle utilisée

A
  • Oui
  • Elle peut être présente sur une échelle additive
  • Elle ne peut pas être présente sur une échelle multiplicative
47
Q

Qu’est-ce que la modification de la mesure d’effet

A
  • Situation dans laquelle une mesure d’association varie en fonction du niveau d’une autre variable
48
Q

Quel terme serait préférable à utiliser pour la modification de la mesure d’effet et pourquoi

A
  • Modification de la mesure d’association
  • Car effet devrait seulement être réserver aux associations que l’on considère comme des causes
49
Q

Différence entre modèle additif et modèle multiplicatif

A
  • Modèle additif = le terme d’interaction met en cause l’effet conjoint de deux facteurs sur la différence des risques (taux d’incidence, proportion d’incidence, prévalence)
  • Modèle multiplicatif = le terme d’interaction met en cause l’effet conjoint de deux facteurs sur le risque relatif (rapport de taux d’incidence, de proportion d’incidence, de prévalence)
49
Q

Quel modèle il faut utiliser pour la santé publique versus la recherche étiologique

A
  • Santé publique = additif
  • Étiologique = multiplicatif
49
Q

Que permet d’identifier l’interaction dans le modèle multiplicatif

A
  • Évaluer la modification du risque relatif
50
Q

Entre l’interaction biologique et statistique, laquelle est la plus ambiguë

A
  • Celle statistique, car elle dépend du modèle statistique ou de la mesure d’effet ce qui n’est pas le cas de l’interaction biologique.
  • L’interaction biologique est là ou non
50
Q

Vrai ou faux, deux facteurs peuvent être en interaction dans un modèle additif sans l’être dans le modèle multiplicatif

A
  • Vrai
  • Se présente sous la forme d’un RI ou RRI plus grand que 0, mais un Iab = 1
50
Q

Que cela veut dire si RA>1 et que RB>1, l’absence d’interaction ou la présence d’interaction positive dans le modèle multiplicatif (IAB=1 ou >1)

A
  • Il y a une interaction dans le modèle additif (IAB=1)
51
Q

Vrai ou faux, A et B peuvent être en interaction négative dans le modèle multiplicatif sans l’être dans le modèle additif

A
  • Vrai
  • Se présente ainsi : modèle multiplicatif aura Iab inférieur a 1 mais modèle additif aura un RI égal à 0
52
Q

Si X et Z ont un effet, et qu’il n’y a pas d’interaction dans le modèle multiplicatif, que cela veut dire?

A
  • Il y aura une interaction dans le modèle additif.
52
Q

Dans la majorité des cas il y a interaction dans les deux types de modèles, que ce passe-t-il dans ce temps

A
  • Il peut y avoir des sens différents à l’interaction
52
Q

Comment reconnaître que l’uniformité des mesures d’associations dans les différentes strates n’est pas respectée (méthode Mantel Haenszel)

A
  • Il y a une variation substantielle entre les mesures d’effets ou d’association dans les différentes strates
52
Q

Quoi faire quand l’uniformité des mesures d’associations dans les différentes strates n’est pas respectée

A
  • Faire un test homogénéité ou hétérogénéité
  • Permet de juger dans les données pour la mesure d’association choisie de l’importance de la déviation par rapport au modèle statistique de base
52
Q

Le postulat d’uniformité des mesures d’association relatives (RI, RR, RC) correspond à quoi

A
  • Au postulat d’une relation multiplicative entre l’exposition et la variable de stratification
53
Q

L’absence d’hétérogénéité dans les mesures d’association relatives veut dire qu’il y a présence d’une interaction biologique ou statistique

A
  • Biologique
53
Q

Vrai ou faux, l’absence de modification de la mesure d’effet sur des ratios constitue une évidence qu’il y a une interaction causale entre les variables

A
  • Vrai
53
Q

Si je remarque que pour deux strates, les IC de chacune ne se recoupent pas, il y a interaction ou non

A
  • Il y a interaction
  • Mais l’inverse n’est pas vrai
53
Q

Que représente RAB, RA, RB et RBase

A
  • RAB = lorsque le facteur A et B sont présents
  • RA = lorsque seulement le facteur A est présent
  • RB = lorsque le facteur A n’est pas présent
  • RBase = lorsque ni le facteur A ni le facteur B ne sont présents
54
Q

Comment connaître ma proportion de cas ou risque relatif attribuable à l’interaction et si cette proportion est forte ou pas

A
  • Ri ou RRi / Rab ou RRab
  • Si le résultat est plus grand que l’effet unique combiné de Ra et Rb alors la proportion est forte
55
Q

Comment savoir si je dois utiliser la méthode additive ou multiplicative

A
  • Additionner Ra et Rb, faire pareil en les multipliant
  • Si un des résultats donne le même que Rab alors on prend l’autre
55
Q

Comment savoir avec le modèle additif si mes facteurs sont indépendants (pas d’interaction)

A
  • Mon Ri ou RRi doit être de 0 pour être indépendant
55
Q

Comment savoir avec le modèle multiplicatif si j’ai une interaction

A
  • Mon résultat du modèle multiplicatif doit être autre que 1 pour avoir une interaction sur l’échelle multiplicative
56
Q

Comment tester si j’ai une variation entre mes strates

A
  • Test hétérogénéité = test d’interaction pour deux strates
  • Je regarde si ma valeur de x2 est plus grande que mon seuil obtenu pour mon alpha
  • Si oui alors mon exposition modifie mon association
56
Q

Quelles sont les étapes menant aux choix de la meilleure mesure d’association à présenter

A
  • Analyse brute
  • Mesure d’association par strate
  • Interaction avec test hétérogénéité
    Additive = si pas égale à 0
    Multiplicative = si pas égale à 1
  • Pas d’interaction = confusion en regardant si différence de 10%
  • Si confusion on présente la mesure standardisée ou stratifiée MH ou modélisée
56
Q

Comment faire différence dans un graphique entre un graphique sans effet modifiant sur échelle additive et multiplicative

A
  • additive = deux lignes parallèles
  • multiplicative = deux lignes non parallèles
56
Q

Est-ce que le fait de ne pas tenir compte de l’interaction biaise la mesure

A
  • Non mais il y a perte d’Information à travers les strates
57
Q

Sur quelle échelle (biologique ou statistique) parle-t-on d’effet modifiant

A
  • échelle statistique
  • modifiant = interaction sur cette échelle
58
Q

sur l’échelle statistique, quand il n’y a pas d’interaction sur l’échelle multiplicative est-ce qu’il y en a une sur l’échelle additive

A

oui

59
Q

comment choisir entre échelle biologique ou statistique

A
  • biologique = regarde si interaction de A et B a un effet sur la maladie
  • statistique = regarde si l’association entre A et la maladie est modifié par B = risque relatif
60
Q

si mes strates sont homogènes (de même valeur) est-ce qu’il y a une interaction

A

non

61
Q

la mesure du risque (ou proportion du risque) attribuable à l’interaction peut être mesurer pour quoi
- facteurs de risques
- facteurs protecteurs

A

seulement facteur de risques, donc on ne peut pas pour les facteurs protecteurs (valeur négative)

62
Q

Comment savoir si j’ai une absence interaction sur l’échelle additive et multiplicative

A
  • Additive = absence si ma différence de risque avec groupe non exposé est la même tout au long des différents points
  • Multiplicative = absence si mon rapport de risque avec groupe non exposé est la même tout au long des différents points
63
Q

À quoi faire attention avec les interactions sur l’échelle multiplicative

A
  • Il est possible de ne pas avoir d’interaction sur l’échelle multiplicative, mais que la même ligne en ait une sur le modèle additif
64
Q

Comment savoir si mon interaction est négative ou positive

A
  • Regardé si ma différence ou rapport de risque augmente (positive) ou diminue (négative) avec mon avancement dans les données
65
Q

Qu’est-ce qu’un modèle ?

A
  • Applique une équation mathématique aux données d’une étude épidémiologique
  • Pour décrire la relation entre une exposition et la survenue d’un événement de santé
66
Q

La modélisation est utilisée pour quelles deux fonctions

A
  • Prédiction = estimer le risque en fonction de l’information fournie par des prédicteurs
  • Contrôle de la confusion = évaluer le rôle causal d’un ou plusieurs facteurs en contrôlant simultanément pour l’effet d’autres facteurs de confusion
67
Q

Est-ce que la modélisation permet de tenir compte d’autres variables

A

oui

68
Q

Pourquoi la modélisation est utile dans les recherches causales

A
  • Car elle permet de contrôler de manière simultanée l’influence de plusieurs facteurs confondants
69
Q

Qu’est-ce qu’une droite de régression

A
  • Estime les valeurs moyennes de la variable Y selon les valeurs de la variable X
70
Q

Dans mon équation pour la droite de régression linéaire, que représente ŷ, a0 et a1

A
  • Ŷ = valeur estimée de Y pour toute valeur donnée de x
  • A0 = ordonnée à l’origine
  • A1 = pente de la droite
71
Q

Comment interpréter la valeur de la pente

A
  • La valeur obtenue pour la pente indique qu’on estime que le nombre de survenu de l’événement devrait augmenter ou diminuer de la valeur obtenue pour chaque exposition en plus
  • L’augmentation absolue du risque de l’événement par l’exposition
  • Avec une variable dichotomique = différence de taux entre les exposés et non-exposés
72
Q

Dans le modèle linéaire généralisé, est-ce qu’il peut y avoir plus d’un facteur dans l’équation

A

oui

73
Q

Les modèles linéaires généralisé avec plus d’un facteur peuvent être utilisé comme alternative à quoi

A
  • À la stratification pour contrôler la confusion
74
Q

Pourquoi les modèles linéaires généralisé avec plus d’un facteur peuvent être utilisé comme alternative à la stratification

A
  • Chaque facteur est ajusté pour l’effet des autres facteurs
  • Donnant ainsi une valeur non biaisée mutuellement pour chacun des facteurs
75
Q

Quelle est la particularité de la variable dépendante (x)

A
  • Elle ne peut pas avoir une valeur négative = l’exposition ne peut pas être négative
76
Q

Comment interpréter les coefficients dans mon équation de régression

A
  • 2,718 exposants mon coefficient
  • Si le résultat obtenu est supérieur de 1, on fait -1 = pour chaque augmentation de l’exposition, la cote de l’événement augmente du pourcentage obtenu
  • Si le résultat obtenu est inférieur à 1, on fait 1 – résultat obtenu = le fait d’avoir l’exposition x réduit la probabilité d’avoir l’événement de x pourcent
77
Q

Dans le modèle linéaire généralisé comment avoir ma mesure d’association avec seulement mon coefficient

A
  • 2,718 exposants mon coefficient
78
Q

Si j’ai une variable continue j’utilise quel modèle et quand j’ai une variable dichotomique

A
  • Continue = régression linéaire
  • Dichotomique = régression logistique
79
Q

Principale avantage du modèle de régression multivariée comparativement aux analyses stratifiées

A
  • Facilité du contrôle des variables confondantes
80
Q

À quoi ressemblera ma droite de régression si j’inclue l’âge et le terme d’exposition

A
  • J’aurai deux droites, une pour l’âge chez les non-exposé et une pour l’âge chez les exposés
81
Q

À quoi il faut faire attention pour utiliser le modèle de régression

A
  • Que le modèle linéaire colle bien aux données, sinon il faut utiliser un autre modèle
82
Q

Quoi faire si je ne sais pas choisir entre modèle de régression ou relation curviligne

A
  • Meilleure solution = analyse stratifiée
83
Q

Comparatif entre analyses stratifiées et modélisation

A
  • Modélisation = multivariée = plus performantes mais demande un modèle approprié et devrait être utilisé en appui des analyses stratifiées
  • Stratifiée = permettent de bien visualiser la distribution des données mais ne contrôle pas simultanément de nombreux facteurs confondants
84
Q

La modélisation peut servir à prédire la survenu d’une maladie pour un individu

A

oui

85
Q

Le modèle de prédiction de la modélisation ne fait pas de distinction entre l’association causale et les autres

A

vrai

86
Q

Quand est-ce que je privilégie la régression multiple à l’analyse stratifiée

A
  • Lorsque j’ai plus de 2 effet confondant important / modéré
87
Q

Qu’est-ce que le surajustement d’un modèle de régression

A
  • Quand le nombre d’observations ou encore le nombre d’événements limitent les modèles (pas avoir assez de données)
  • On peut se tourner vers des scores résumés pour les facteurs confondants
  • Score de risque de maladie ou Score de propension
88
Q

Différence entre biais d’information différentiel et non-différentiel

A
  • Différentiel = le fait d’être malade ou non va varié l’exposition OU le fait d’être exposé ou non va varié la maladie
  • Non-différentiel = le fait d’être malade ou non OU d’être exposé ou non n’a aucun impact sur l’exposition ou la maladie
89
Q

Est-ce les biais d’information différentiel qui sous-estime tout le temps

A
  • Non-différentiel
90
Q

Différence entre biais de sélection et biais de confusion

A
  • Sélection = est-ce que la population sélectionnée a des caractéristiques semblables à celle cible
  • Confusion = une troisième valeur vient biaisée l’association
91
Q

Les biais de rappel et de désirabilité sociale sont de quel type

A
  • Biais d’information
92
Q

quel modèle est utilisé pour la régression linéaire

A
  • modèle additif
93
Q

comment savoir s’il y a une interaction dans la régression linéaire

A
  • voir s’il y a une différence de 10% entre valeur brute et ajustée
94
Q

quel modèle est utilisé pour la régression linéaire généralisée

A

modèle multiplicatif

95
Q

quelle transformation est faite pour la régression linéaire généralisée et pourquoi

A
  • logarithmique
  • variable dépendante peut seulement prendre des valeurs positives ou binaires
96
Q

quel modèle est utilisé pour la régression logistique

A

modèle multiplicatif

97
Q

pourquoi utilisé la régression logistique

A
  • permet ‘avoir des rapports de cotes
  • seulement pour des variables dichotomiques
98
Q

quelle transformation est faites pour la régression logistique

A

logit

Automne 2024 (4 decks)

Brainscape helps you reach your goals faster, through stronger study habits.
© 2025 Bold Learning Solutions. Terms and Conditions