Contributions à l'analyse de survie

• Main Author: Bousquet, Damien
• Other Authors: Montpellier 1
• Language: fr
• Published: 2012
• Subjects: Statistique; Médecine; Analyse de survie; Statistics; Medicine; Survival analysis
• Online Access: http://www.theses.fr/2012MON1T026

Dans ce travail, nous présentons de nouveaux modèles pour l'analyse de survie. Nous généralisons l'approche de Marshall et Olkin (A New Method for Adding a Parameter to a Family of Distributions with Application to the Exponential and Weibull Families, Biometrika, 1997). Partant d'une distribution de probabilité de base arbitraire, nous lui ajoutons des paramètres extérieurs au sens qu'il ne s'agit pas directement de paramètres d'échelle ou de forme. Nous obtenons des courbes de risque plus riches, garanties de la souplesse de ces nouvelles distributions de probabilité. Des méthodes d'estimation de ces paramètres sont présentées. Nous montrons l'adéquation de notre modèle sur des données réelles. Dans un second temps, nous nous intéressons aussi au problème de l'estimation sans biais dans les échantillons censurés. Nous apportons des résultats nouveaux. En particulier, nous généralisons un résultat de Rubin et Van der Laan (A Doubly Robust Censoring Unbiased Transformation, The International Journal of Biostatistics, 2007). === In this work, we propose new models for survival analysis. We generalise the approach from Marshall and Olkin (A New Method for Adding a Parameter to a Family of Distributions with Application to the Exponential and Weibull Families, Biometrika, 1997). Given an arbitrary baseline probability distribution, we add some external parameters that are not scale or shape parameters. In this way, we obtain more flexible hazard rate curves. Some methods to estimate these parameters are presented. We show the goodness of fit of our model with a real data set. In a second part, we are also interesting by unbiased estimation in a censored sample. We give new results. We generalise a result from Rubin and Van der Laan (A Doubly Robust Censoring Unbiased Transformation, The International Journal of Biostatistics, 2007).