Mise en œuvre de la régression linéaire multiple pondérée avec GEE

Qu’est-ce qu’un GEE pondéré ?

Les équations d’estimation généralisées pondérées (WGEE) sont une extension des modèles linéaires généralisés aux données longitudinales ou en grappes en incorporant la corrélation au sein de la grappe lorsque les données sont manquantes au hasard (MAR). Les paramètres des structures de moyenne, d’échelle et de corrélation sont estimés sur la base de la quasi-vraisemblance.

Quelles sont les méthodes pondérées pour analyser les données manquantes avec la procédure GEE ?

La procédure GEE met en œuvre deux méthodes pondérées, spécifique à l’observation et spécifique au sujet, pour estimer le paramètre de régression ˇ lorsque des abandons se produisent. Les deux fournissent des estimations cohérentes si les données sont MAR.

Quelle est la différence entre GEE et modèle mixte ?

La modélisation à effets mixtes autorise à la fois les effets fixes (ou marginaux) et aléatoires, tandis que la modélisation GEE n’autorise que les effets fixes. Un effet fixe s’apparente à un effet de population : une variable mesurée est censée avoir un effet unique sur la population.

Le GEE requiert-il des données équilibrées ?

– ne sont pas privilégiés car ils nécessitent des ensembles de données équilibrés et complets, exigent des variables de réponse normalement distribuées et ne permettent pas l’analyse des covariables qui évoluent dans le temps.

Quelle est la différence entre GLMM et GEE ?

Alors que le GLMM modélise explicitement la corrélation intra-sujet en utilisant des effets aléatoires, l’EEG tient implicitement compte de ces corrélations en utilisant des estimations de variance de type sandwich 6. Analysis of Longitudinal Data, 2, Oxford : Oxford University Press.

Quel est l’avantage du GEE ?

Les équations d’estimation généralisées (EEG) constituent une approche pratique et générale de l’analyse de plusieurs types de données corrélées. Le principal avantage des GEE réside dans l’estimation non biaisée des coefficients de régression de la moyenne de la population malgré une éventuelle mauvaise spécification de la structure de corrélation.

Le GEE est-il robuste aux données manquantes ?

Il a été démontré que l’EEG produit des estimations cohérentes des paramètres de régression pour un modèle marginal lorsque les données manquent complètement au hasard (MCAR). Cependant, lorsque les données sont manquantes au hasard (MAR), les estimations GEE peuvent ne pas être cohérentes ; les approches MI proposées dans cet article minimisent le biais sous MAR.

GEE peut-il traiter les données manquantes ?

Nous proposons deux méthodes pour traiter les données manquantes dans les analyses par équation d’estimation généralisée (EEG) : l’imputation moyenne et l’imputation multiple. Chacune fournit des estimations GEE valides lorsque les données manquent au hasard. Les résultats manquants sont imputés séquentiellement en commençant par le résultat le plus proche dans le temps du résultat observé.

Comment faire des imputations multiples pour les données manquantes ?

Calcul des imputations

Qu’est-ce qu’un GEE mesure ?

En statistique, une équation d’estimation généralisée (EEG) est utilisée pour estimer les paramètres d’un modèle linéaire généralisé avec une possible corrélation non mesurée entre les observations de différents points dans le temps.

Que fait le poids dans le GLM ?

Les pondérations sont utilisées pour indiquer à votre modèle que certaines observations sont plus importantes que d’autres.

Qu’est-ce que la prévision par moyenne pondérée ?

La prévision par moyenne pondérée est une méthode qui permet de déterminer la quantité de stock à conserver en fonction des performances passées d’un article et d’un « poids » ou d’une importance attribuée. La formule fonctionne bien pour les articles qui se vendent régulièrement, avec des ventes dans au moins 8 des 12 périodes précédentes.