Modélisation

Question 1

V/F Un modèle applique une équation mathématique aux données d’une étude épidémiologique pour décrire la relation entre une exposition et la survenue d’un évènement de santé

Answer 1

Vrai

Question 2

Quelles sont les 2 fonctions de la modélisation?

Answer 2

1. prédiction
2. Contrôle de la confusion

Question 3

Définition de la prédiction

Answer 3

Estimer le risque, en fonction de l’information fournie par des prédicteurs

Question 4

Définition de contrôle de la confusion

Answer 4

Évaluer le rôle causal d’un ou plusieurs facteurs en contrôlant simultanément pour l’effet d’autres facteurs de confusion

Question 5

V/F:modélisation permet de tenir compte d’autres variables

Answer 5

Vrai

Question 6

V/F La modélisation ne permet pas de contrôler de façon simultanée l’influence de plusieurs facteurs confondants

Answer 6

faux

Question 7

MODÈLE LINÉAIRE : ^𝑌 = 𝑎0 + 𝑎1𝑋

Answer 7

• 𝑌^ est la valeur estimée de Y pour toute valeur donnée de X
• 𝑎0 est l’ordonnée à l’origine (intercept) // La valeur de Y quand X vaut 0
• a1 est le coefficient de X, soit la pente de la droite: ceci correspond au changement de 𝑌^ pour chaque unité de changement de X

Question 8

V/F Un modèle peut inclure plus d’un facteur dans l’équation

Answer 8

Vrai

Question 9

𝑌^ est toujours la variable de résultat (outcome) ou la variable d’exposition

Answer 9

variable dépendante(variable de résultat (outcome))

Question 10

V/F Dans un modèle linéaire généralisé : L’effet de chaque facteur est ajusté pour l’effet des autres facteurs: le modèle procure ainsi une valeur non biaisée mutuellement pour chacun des facteurs

Answer 10

Vrai

Question 11

V/F Pour éviter d’arriver à des situations aberrantes, on peut transformer notre variable dépendante

Answer 11

Vrai

Question 12

V/F Mathématiquement, il n’y a pas de limites quant au nombre de variables qui peuvent être incluses dans le modèle, mais les données elles-mêmes peuvent être limitantes en pratique

Answer 12

Vrai

Question 13

Que faire pour s’assurer que la variable dépendante ne prenne que des valeurs positives

Answer 13

on peut utiliser les logarithmes

Question 14

ln( 𝑌^) peut varier de_____ à _________

Answer 14

moins l’infini à + infini

Question 15

V/F 𝑌^ lui-même peut seulement être positif parce qu’on ne peut pas faire le ln d’un nombre négatif

Answer 15

Vrai

Question 16

Dans le modèle linéaire généralisé pour obtenir y ^ on doit

Answer 16

e exposé a0+a1x+a2x

Question 17

Les transformations effectuées pour que les données s’accordent aux modèles mathématiques ont des implications(1)

Answer 17

conditionnent le type de mesure que les coefficients du modèle vont estime
ex: si les données sont des mesures de risque, le modèle logistique ne donnera que des RC, pas des estimés de la différence de risque

Question 18

Vaccination = 0,18 + 0,35âge – 0,2MPOC + 0,1ATCD grippe
* Comment interpréter les coefficients?

Answer 18

1) De l’âge? e0,35 = 1,42: Pour chaque augmentation d’un an en âge, la cote d’être vacciné augmente de 42%
2) De la maladie pulmonaire obstructive chronique (MPOC)? e-0,2 = 0,82; Le fait d’avoir une MPOC réduit la probabilité d’être vacciné. La cote d’être vacciné est diminuée de 18%.
3)Des antécédents de grippe? e0,1 = 1,11. Le fait d’avoir eu la grippe auparavant accroît la cote d’être vacciné de 11%.

Question 19

Quel est l’un des principaux avantages des modèles de régression multivariés ?

Answer 19

facilité avec laquelle les variables confondantes peuvent être contrôlées simultanément

Question 20

Analyse par régression linéaire
* Si on utilise une régression incluant l’âge et le terme d’exposition, le modèle produira deux droites parallèles avec les données, quelles sont ces 2 droites %

Answer 20

o Une droite décrivant l’effet de l’âge chez les non-exposés
o Une droite décrivant l’effet de l’âge chez les exposés

• Le modèle extrapole la relation avec l’âge pour les exposés et les non- exposés et estime l’effet à partir des droites extrapolées.

Question 21

But d’une régression linéaire

Answer 21

• Permet d’estimer un effet de l’exposition sur l’issue

Question 22

Un modèle de régression linéaire + efficace que l’analyse stratifiée a quel le condition ?

Answer 22

• À condition que le modèle linéaire colle bien aux données

Question 23

V/F Si on ne peut savoir quel modèle est le bon, l’analyse stratifiée apparaît encore une meilleure solution!

Answer 23

Vrai

Question 24

Les analyses stratifiées permettent aux chercheurs et aux lecteurs (si les analyses sont présentées) de bien visualiser et connaître la distribution des données pour les variables clés. Mais quel est leur désavantage ?

Answer 24

elles ne peuvent contrôler simultanément de nombreux facteurs potentiellement confondants

Question 25

V/F Analyses multivariées sont plus performantes, mais plus obscures et devraient être utilisées pour appuyer les analyses stratifiées et non comme outil principal

Answer 25

Vrai

Question 26

V/F modélisation peut également servir à prédire la survenue d’une maladie pour un individu à partir des données recueillies dans un groupe

Answer 26

Vrai

Question 27

Quelles variables le modèle peut-il inclure pour prédire la survenue d’une maladie

Answer 27

toutes les variables qui sont associées à la survenue de la maladie

Question 28

V/F le modèle utilisé pour prédire ne fait pas de distinction entre les associations causales et les autres

Answer 28

Vrai

Question 29

quelle est la formule de cote de risque pour prédire

Answer 29

e exposant y
et pour le risque ( R= ey/(1+ ey) )

Question 30

V/F Les facteurs prédictifs doivent être nécessairement de nature causale

Answer 30

Faux

Question 31

V/F on veut que ce soit les données et non le modèle qui nous indiquent la forme de la relation entre l’exposition et l’événement

Answer 31

Vrai

Question 32

La plupart du temps, seulement une ou deux variables vont exercer un effet confondant important dans un modèle de régression . Qu’est ce qu’on peut faire dans ce temps ?

Answer 32

Utiliser l’analyse stratifiée

Question 33

V/F Quand plusieurs variables confondantes exercent des effets confondants au moins modérés, la régression multiple est préférable

Answer 33

vrai

Question 34

V/F Il devrait y avoir environ 10-15 observations pour chaque terme dans un modèle de régression. Autrement, on dira que le modèle est sur-ajusté: il sera trop influencé par l’erreur aléatoire des donnée

Answer 34

Vrai

Question 35

Qu’est-ce que veut dire sur-ajusté ?

Answer 35

il sera trop influencé par l’erreur aléatoire des données

Question 36

QU’est ce qu’un modèle explicatif ?

Answer 36

1)Perspective descriptive (association) ou causale
2) Sert à isoler l’association ou l’effet de A sur l’issue Y.

Question 37

Qu’est ce qu’on fait dans un modèle explicatif ? (2)

Answer 37

1) s’intéresse à une variable d’exposition (A) en particulier et on ajuste pour les confondants (B, C, D, E).
2) La modélisation multivariée contrôle simultanément pour plusieurs facteurs de confusion

Question 38

V/f Le modèle explicatif ne distingue pas la variable d’intérêt

Answer 38

vrai

Question 39

V/F Dans la perspective explicative on ne s’intéresse pas aux valeurs des mesures d’association entre les variables confondantes et l’issue.

Answer 39

Vrai

Question 40

qu’est ce quon essaie de faire avec un modèle explicatif

Answer 40

s’assure que l’estimation de la relation entre A et Y soit la plus valide possible.

Question 41

Qu’est ce qu’on fait dans un modèle prédictif ?

Answer 41

Sert à prédire le risque d’avoir l’issue pour un individu

Question 42

V/F Dans un modèle prédictif Les variables sont sur le même pied d’égalité, on ne s’intéresse pas plus à une variable par rapport aux autres

Answer 42

Vrai

Question 43

Est-ce qu’il y a des variables confondantes dans les modèles prédictifs ?

Answer 43

NON

Question 44

V/F Les variables pertinentes incluses dans le modèle prédictif sont sélectionnées pour que le modèle (dans sa globalité) prédise le mieux l’issue sans se soucier de la causalité.

Answer 44

vrai

Question 45

Quelle est l’étape supplémentaire pour calculer le risque dans un modèle prédictif en régression logistique

Answer 45

R = ey/(1+ey)

Question 46

Dans le modèle additif quel est le type de régression utilisé et la mesure d’association ?

Answer 46

Régression linéaire
β (DR au sens large)

Question 47

Dans le modèle multiplicatif quel est le type de régression utilisé (2) et la mesure d’association?

Answer 47

• Régression linéaire avec transformation logarithmique
  -Régression logistique (donne toujours des RC)
  -e exposant β (RR au sens large)