| Titre : |
Méthode du group-lasso pour la sélection de variables dans le modèle de Cox pour les données en clusters |
| Type de document : |
texte imprimé |
| Auteurs : |
Jean Claude UTAZIRUBANDA, Auteur |
| Editeur : |
Université Cheikh Anta Diop de Dakar : Faculté des Sciences et Techniques : Ecole Doctorale de Mathématiques et Informatique |
| Année de publication : |
2020 |
| Importance : |
152 P. |
| Format : |
30 cm |
| Langues : |
Français (fre) |
| Mots-clés : |
Survie group Lasso fragilité modele de Cox Cox donnee en clusters donnee clusters regression
a risques proportionnels |
| Résumé : |
En épidémiologie, on est amené à prendre en compte simultanément le rôle
de plusieurs facteurs de risque dans la survenue d’une maladie. Le modèle de régression
à risques proportionnels de Cox est l’un des modèles le plus populaire dans l’analyse des
données de survie censurées. Il permet d’exprimer le risque instantané de survenue de
l’événement en fonction des facteurs explicatifs. Cependant, ce modèle ne répond pas Ã
certains besoins émergents dans la majorité des cas en statistiques appliquées. Les données
observées sont souvent de grande taille, c’est-à -dire de dimension p très grand devant
n (p >> n). Par exemple en analyse de survie d’une maladie génétique, pour chaque individu,
on dispose d’un grand nombre de gènes, qui est parfois nettement plus élevé que
le nombre d’individus dans l’échantillon. Dans cette thèse, nous avons réalisé un état de
l’art exhaustif sur les méthodes d’estimation pénalisée, souvent utilisées pour faire de la
sélection de variables en grande dimension dans les modèles de durées de vie censurées.
Cet état de l’art concerne les aspects méthodologiques, algorithmiques, computationnels
et théoriques des méthodes proposées.
Cet état de l’art commence par une présentation des théories et méthodologies existant
sur l’intérêt de la sélection de variables dans les modèles de durées de vie censurées. Nous
nous sommes également intéressés à la littérature développée sur les modèles de survie
avec fragilités en particulier des modèles à risque multiplicatif avec hypothèse d’une distribution
gamma pour la variable de fragilité. Ensuite, nous avons présenté les méthodes
de régularisation basées sur l’estimation pénalisée pour la sélection des variables dans le
modèle de régression semi-paramétrique à risques proportionnels de Cox.
Dans un second temps, nous avons adapté la méthode du "group-Lasso" au modèle de
Cox pour des données en clusters ou "groupées" en tenant compte de la fragilité propre
à chaque cluster. Les aspects algorithmiques ont été traités et des simulations ont été
réalisées pour étudier le comportement des estimateurs obtenus. Ensuite, la performance
de la méthode group Lasso a été comparée avec celle des autres méthodes concurrentes :
group-MCP et group-SCAD. La consistance des estimateurs obtenus par cette méthode a
été établie théoriquement. Le travail a été ensuite généralisé en implémentant la méthode
de l’ "Adaptive group-lasso" dans le modèle de Cox avec fragilité pour des données en
clusters. Chacune des méthodologies étudiées a été confrontée aux différents jeux de
données réelles, issus en grande partie du domaine biomédical. Les résultats montrent
que la méthode group Lasso et la méthode Adaptive group Lasso dans le modèle de
Cox avec fragilité gamma partagée, sont en général plus performantes en matière de prédictions par rapport aux autres méthodes concurrentes à savoir : la méthode group
SCAD et la méthode group MCP. Néanmoins, la connaissance a priori de structures de
groupes de variables reste un problème majeur dans la modélisation des données en
clusters. |
| Permalink : |
https://bibliothequefst.ucad.sn/index.php?lvl=notice_display&id=60 |
Méthode du group-lasso pour la sélection de variables dans le modèle de Cox pour les données en clusters [texte imprimé] / Jean Claude UTAZIRUBANDA, Auteur . - Université Cheikh Anta Diop de Dakar : Faculté des Sciences et Techniques : Ecole Doctorale de Mathématiques et Informatique, 2020 . - 152 P. ; 30 cm. Langues : Français ( fre)
| Mots-clés : |
Survie group Lasso fragilité modele de Cox Cox donnee en clusters donnee clusters regression
a risques proportionnels |
| Résumé : |
En épidémiologie, on est amené à prendre en compte simultanément le rôle
de plusieurs facteurs de risque dans la survenue d’une maladie. Le modèle de régression
à risques proportionnels de Cox est l’un des modèles le plus populaire dans l’analyse des
données de survie censurées. Il permet d’exprimer le risque instantané de survenue de
l’événement en fonction des facteurs explicatifs. Cependant, ce modèle ne répond pas Ã
certains besoins émergents dans la majorité des cas en statistiques appliquées. Les données
observées sont souvent de grande taille, c’est-à -dire de dimension p très grand devant
n (p >> n). Par exemple en analyse de survie d’une maladie génétique, pour chaque individu,
on dispose d’un grand nombre de gènes, qui est parfois nettement plus élevé que
le nombre d’individus dans l’échantillon. Dans cette thèse, nous avons réalisé un état de
l’art exhaustif sur les méthodes d’estimation pénalisée, souvent utilisées pour faire de la
sélection de variables en grande dimension dans les modèles de durées de vie censurées.
Cet état de l’art concerne les aspects méthodologiques, algorithmiques, computationnels
et théoriques des méthodes proposées.
Cet état de l’art commence par une présentation des théories et méthodologies existant
sur l’intérêt de la sélection de variables dans les modèles de durées de vie censurées. Nous
nous sommes également intéressés à la littérature développée sur les modèles de survie
avec fragilités en particulier des modèles à risque multiplicatif avec hypothèse d’une distribution
gamma pour la variable de fragilité. Ensuite, nous avons présenté les méthodes
de régularisation basées sur l’estimation pénalisée pour la sélection des variables dans le
modèle de régression semi-paramétrique à risques proportionnels de Cox.
Dans un second temps, nous avons adapté la méthode du "group-Lasso" au modèle de
Cox pour des données en clusters ou "groupées" en tenant compte de la fragilité propre
à chaque cluster. Les aspects algorithmiques ont été traités et des simulations ont été
réalisées pour étudier le comportement des estimateurs obtenus. Ensuite, la performance
de la méthode group Lasso a été comparée avec celle des autres méthodes concurrentes :
group-MCP et group-SCAD. La consistance des estimateurs obtenus par cette méthode a
été établie théoriquement. Le travail a été ensuite généralisé en implémentant la méthode
de l’ "Adaptive group-lasso" dans le modèle de Cox avec fragilité pour des données en
clusters. Chacune des méthodologies étudiées a été confrontée aux différents jeux de
données réelles, issus en grande partie du domaine biomédical. Les résultats montrent
que la méthode group Lasso et la méthode Adaptive group Lasso dans le modèle de
Cox avec fragilité gamma partagée, sont en général plus performantes en matière de prédictions par rapport aux autres méthodes concurrentes à savoir : la méthode group
SCAD et la méthode group MCP. Néanmoins, la connaissance a priori de structures de
groupes de variables reste un problème majeur dans la modélisation des données en
clusters. |
| Permalink : |
https://bibliothequefst.ucad.sn/index.php?lvl=notice_display&id=60 |
|  |
Accueil
Affiner la rechercheMéthode du group-lasso pour la sélection de variables dans le modèle de Cox pour les données en clusters / Jean Claude UTAZIRUBANDA (2020)
