Modèle linéaire pour prédire la durée de séjour à l hôpital : 2 approches pour la Sélection des variables avec SAS
|
|
- Serge François
- il y a 6 ans
- Total affichages :
Transcription
1 Modèle linéaire pour prédire la durée de séjour à l hôpital : 2 approches pour la Sélection des variables avec SAS. Présenté par : Mamadou Dakouo, Pharm.D, M.PH Date: 1 Juin 2016 Evènement : MONSUG Lieu : Hyatt Regency Montréal Contact:
2 Transplantation En 2013 dans la zone Eurotransplant, 1515 greffes hépatiques réalisées et 2111 patients étaient sur liste d attente soit près 58% de demande non satisfaite (1). En 2011 en Belgique, 262 greffes hépatiques réalisées et 172 patients sur liste d attente. Outre la pénurie de greffons, des Coûts énormes liés entre autre la durée d hospitalisation Nécessité efficiente dans les greffes hépatiques
3 Étude Données collectées sur des patients adultes ayant eu une transplantation hépatique dans une clinique universitaire du 01/01/2006 au 31/12/2010. Au total, 160 patients adultes ayant reçu une greffe primaires et ont été inclus dans l analyse.
4 Préliminaires Data Managem ent Driven Data Analyse Bivariée Analyse Univariée
5 Dictionnaire des Variables VARIABLES DESCRIPTION NBHSP_JRS Nombre de jours total d hospitalisation AGE Age en année des patients NBICU_JRS Nombre de jours d hospitalisation aux soins intensifs MELD Score de gravité de la maladie avant l intervention ISCHT_MIN Temps d ischemie total du greffon DINDO Score de complication après l intervention jusqu à la fin du premier séjour (I,II,III,IV,V) SEXE Sexe du patient MELD = 3.78*ln (bilirubinémie (mg/dl)) +11.2*ln(INR) +9.57*ln(créatinine (mg/dl)) Kamath P, wiesner R, Malinchoc M. A model to predict survival in patients with end-stage liver disease. Hepatology, vol.33, n 2, 2001, p
6 Aperçu sur les données ID AGE SEXE NBICU _JRS NBHOSP _JRS MELD ISCHT_MIN Dindo1 Dindo2 Dindo3 Dindo4 Dindo proc univariate ; proc means ; proc summary; Variable N Mean SD Sum Min Max NBHOSP_JRS MELD NBICU_JRS ISCHT_MIN AGE
7 NBHOSP_JRS
8 Meld
9 Modèle de Régression Linéaire Multiple #1. Analyse de la Multicorrelation #2. Modèle complet #3. Modèle complet après transformation #4.1 Sélection des variables/ Approche1 #4.2 Sélection des variables/ Approche2 #5. Modèle retenu #6. Observations aberrantes #7. Observations influentes
10 Modèle de Régression Linéaire Multiple Modèle statistique où l on cherche à expliquer Y (continue)qui est observée et connue par plusieurs autres variables X qui sont aussi observées et connues. Y= variable dépendante, réponse, endogène ou encore à expliquer. X s = variables indépendantes, exogènes ou encore explicatives.
11 Analyse de la Multicorrélation En général, une forte corrélation entre les variables explicatives peut avoir trois conséquences. #1. Coefficients estimés dépendent du modèle choisi. #2. Variances des coefficient estimés sont grandes quand il y a une forte corrélation entre variables X. #3. Si X1 et X2 fortement corrélés et si X2 est dans le modèle, l effet marginal de X1 pour réduire le SSE est relativement petit.
12 Détecter la Multicollinéarité Méthodes informelles #1- Coefficients de régression changent beaucoup avec ajoute ou suppression de X #2- Coefficients estimés ont un signe contraire à ce qu on attend #3- Coefficients de corrélation élévés entre les X #4- Larges IC des coefficients β peut être lié par multicollinéarité. Méthode Formelle Le facteur d inflation de la variance mesure l inflation des variances des coefficients estimés par rapport à la situation sans multicollinéarité. VIF =1/1 R 2
13 Coefficients de corrélation Pearson Correlation Coefficients, N = 160, Prob > r under H0: Rho=0 NBHOSP_JRS Nombre de jours total d'hospitalisation MELD Score créatitine & l'inr NBICU_JRS Nombre de jours d'hospitalisation aux soins intensifs ISCHT_MIN Temps d ischemie total du greffon AGE Age du patient NBHOSP_JRS MELD NBICU_JRS ISCHT_MIN AGE <.0001 < < < < <
14 R-Square= Adj R-Sq= Variable Label DF Parameter Estimate Standard Error t Value Pr > t Squared Partial Corr Type II Variance Inflation Intercept Intercept MELD Score créatitine & l'inr < NBICU_JRS Nombre de jours d'hospitalisation aux soins < intensifs ISCHT_MIN Temps d ischemie total du greffon AGE Age du patient Dindo1 Score complication à 1 mois Dindo2 Score complication à 3 mois Dindo3 Score complication à 6 mois < Dindo4 Score complication à 9 mois sexe Sexe
15 Vérifier les hypothèses de régression linéaire
16 Linéarité de la fonction de régression
17 Residual Normal Cumulative Distribution Variance constante des erreurs Normalité des erreurs Log du Nombre de jours d hospitalisation aux soins intensifs Log du Nombre de jours d hospitalisation aux soins intensifs NBHOSP_JRS = MELD NBICU_JRS ISCHT_MIN AGE Dindo Dindo Dindo Dindo sexe 50 N 160 Rsq AdjRsq RMSE NBHOSP_JRS = MELD NBICU_JRS ISCHT_MIN AGE Dindo Dindo Dindo Dindo sexe 1.0 N 160 Rsq AdjRsq RMSE Predicted Value Cumulative Distribution of Residual
18 R-Square= Adj R-Sq= Variable Label DF Parameter Estimate Standard Error t Value Pr > t Squared Partial Corr Type II Variance Inflation Intercept Intercept < Meld_Log Log du Score Meld Nbicu_Log Log du Nombre de jours d'hospitalisation aux soins < intensifs ISCHT_Log Log du Temps d ischemie total du greffon Age_Log Logarithme de l'age du patient Dindo1 Score complication à 1 mois Dindo2 Score complication à 3 mois Dindo3 Score complication à 6 mois < Dindo4 Score complication à 9 mois sexe Sexe
19 Approche 1.1 C(p) Sélection des variables Number in Model C(p) R-Square Variables in Model Meld_Log Nbicu_Log Dindo1 Dindo2 Dindo3 Dindo4 sexe Meld_Log Nbicu_Log ISCHT_Log Dindo1 Dindo2 Dindo3 Dindo4 sexe Meld_Log Nbicu_Log Dindo1 Dindo2 Dindo3 Dindo Meld_Log Nbicu_Log ISCHT_Log Dindo1 Dindo2 Dindo3 Dindo Meld_Log Nbicu_Log Age_Log Dindo1 Dindo2 Dindo3 Dindo4 sexe Nbicu_Log Dindo1 Dindo2 Dindo3 Dindo4 sexe Meld_Log Nbicu_Log Dindo2 Dindo3 Dindo4 sexe Meld_Log Nbicu_Log ISCHT_Log Age_Log Dindo1 Dindo2 Dindo3 Dindo4 sexe Nbicu_Log Dindo1 Dindo2 Dindo3 Dindo Nbicu_Log Dindo2 Dindo3 Dindo4 sexe
20 Sélection des variables Approche 1.2 R 2 ajuste Number in Model Adjusted R-Square R-Square Variables in Model Meld_Log Nbicu_Log ISCHT_Log Dindo1 Dindo2 Dindo3 Dindo4 sexe Meld_Log Nbicu_Log Dindo1 Dindo2 Dindo3 Dindo4 sexe Meld_Log Nbicu_Log ISCHT_Log Age_Log Dindo1 Dindo2 Dindo3 Dindo4 sexe Meld_Log Nbicu_Log Age_Log Dindo1 Dindo2 Dindo3 Dindo4 sexe Meld_Log Nbicu_Log ISCHT_Log Dindo1 Dindo2 Dindo3 Dindo Meld_Log Nbicu_Log Dindo1 Dindo2 Dindo3 Dindo Meld_Log Nbicu_Log ISCHT_Log Age_Log Dindo1 Dindo2 Dindo3 Dindo Meld_Log Nbicu_Log Age_Log Dindo1 Dindo2 Dindo3 Dindo Nbicu_Log Dindo1 Dindo2 Dindo3 Dindo4 sexe Meld_Log Nbicu_Log Dindo2 Dindo3 Dindo4 sexe
21 Sélection des variables Approche 2 Stepwise Summary of Stepwise Selection Step Variable Entered Variable Removed Label 1 Nbicu_Log Log du Nombre de jours d'hospitalisation aux soins intensifs Number Partial Model Vars In R-Square R-Square C(p) F Value Pr > F < Dindo3 Score complication à 6 mois < Dindo4 Score complication à 9 mois Dindo2 Score complication à 3 mois Dindo1 Score complication à 1 mois Dindo1 Score complication à 1 mois
22 Modèle retenu R-Square= Adj R-Sq= Variable Label DF Parameter Estimate Standard Error t Value Pr > t Squared Partial Corr Type II Variance Inflation Intercept Intercept < Meld_Log Log du Score Meld Nbicu_Log Log du Nombre de jours d'hospitalisation < aux soins intensifs Dindo1 Score complication à 1 mois Dindo2 Score complication à 3 mois Dindo3 Score complication à 6 mois < Dindo4 Score complication à 9 mois sexe Sexe
23 Verification des hypothèses Linéarité fonction régression Variance constante des erreurs - Indépendance des résidus - Test de Durbin Watson = Normalité des erreurs - Test statistique de Jarque Bera =1.13, p=0.56
24 Leverage Observations aberrantes pour X Log du Nombre de jours d hospitalisation aux soins intensifs Leverage > (2*p/n =2*8/160=0,1 Nbhosp_Log = Meld_Log Nbicu_Log Dindo Dindo Dindo Dindo sexe N 160 Rsq AdjRsq RMSE Observation Number
25 Observations aberrantes pour Y Log du Nombre de jours d hospitalisation aux soins intensifs Si di* >1.976 Nbhosp_Log = Meld_Log Nbicu_Log Dindo Dindo Dindo Dindo sexe 4 N 160 Rsq AdjRsq RMSE Studentized Residual without Current Obs Observation Number
26 Standard Influence on Predicted Value Observations influentes Log du Nombre de jours d hospitalisation aux soins intensifs Si DFFITS >0.45 (2*sqrt(p/n) = 0.45); Di >0.34 (F (0.05, 8, 151) = 0.34) Nbhosp_Log = Meld_Log Nbicu_Log Dindo Dindo Dindo Dindo sexe 1.5 N 160 Rsq AdjRsq RMSE Observation Number
27 Observées (vs) Prédictes Obs Dependent Variable Predicted Value Std Error Mean Predict Residual Std Error Residual Student Residual Cook's D
28 Messages clés Notre modèle nous indique que le Nombre de jours total d hospitalisation augemente avec: Le Score de gravité de la maladie (MELD) Le Nombre de jours d hospitalisation aux soins intensifs Les Scores de complication (DINDO)
29 Références 1. Eurotransplant international fundation =AR20135.pdf 2. Kamath P, wiesner R, Malinchoc M. A model to predict survival in patients with end-stage liver disease. Hepatology, vol.33, n 2, 2001, p Neter, J., Kutner, M.H., Nachtsheim, C.J. et Wasserman, W.(1996). Applied linear statistical models. Irwin (4th edition).
Exemples d application
AgroParisTech Exemples d application du modèle linéaire E Lebarbier, S Robin Table des matières 1 Introduction 4 11 Avertissement 4 12 Notations 4 2 Régression linéaire simple 7 21 Présentation 7 211 Objectif
Plus en détailExemple PLS avec SAS
Exemple PLS avec SAS This example, from Umetrics (1995), demonstrates different ways to examine a PLS model. The data come from the field of drug discovery. New drugs are developed from chemicals that
Plus en détailMODELE A CORRECTION D ERREUR ET APPLICATIONS
MODELE A CORRECTION D ERREUR ET APPLICATIONS Hélène HAMISULTANE Bibliographie : Bourbonnais R. (2000), Econométrie, DUNOD. Lardic S. et Mignon V. (2002), Econométrie des Séries Temporelles Macroéconomiques
Plus en détailExercices M1 SES 2014-2015 Ana Fermin (http:// fermin.perso.math.cnrs.fr/ ) 14 Avril 2015
Exercices M1 SES 214-215 Ana Fermin (http:// fermin.perso.math.cnrs.fr/ ) 14 Avril 215 Les exemples numériques présentés dans ce document d exercices ont été traités sur le logiciel R, téléchargeable par
Plus en détailModèles pour données répétées
Résumé Les données répétées, ou données longitudinales, constituent un domaine à la fois important et assez particulier de la statistique. On entend par données répétées des données telles que, pour chaque
Plus en détailLire ; Compter ; Tester... avec R
Lire ; Compter ; Tester... avec R Préparation des données / Analyse univariée / Analyse bivariée Christophe Genolini 2 Table des matières 1 Rappels théoriques 5 1.1 Vocabulaire....................................
Plus en détailAnalyse de la variance Comparaison de plusieurs moyennes
Analyse de la variance Comparaison de plusieurs moyennes Biostatistique Pr. Nicolas MEYER Laboratoire de Biostatistique et Informatique Médicale Fac. de Médecine de Strasbourg Mars 2011 Plan 1 Introduction
Plus en détailDonnées longitudinales et modèles de survie
ANALYSE DU Données longitudinales et modèles de survie 5. Modèles de régression en temps discret André Berchtold Département des sciences économiques, Université de Genève Cours de Master ANALYSE DU Plan
Plus en détaildistribution quelconque Signe 1 échantillon non Wilcoxon gaussienne distribution symétrique Student gaussienne position
Arbre de NESI distribution quelconque Signe 1 échantillon distribution symétrique non gaussienne Wilcoxon gaussienne Student position appariés 1 échantillon sur la différence avec référence=0 2 échantillons
Plus en détailIntroduction aux Statistiques et à l utilisation du logiciel R
Introduction aux Statistiques et à l utilisation du logiciel R Christophe Lalanne Christophe Pallier 1 Introduction 2 Comparaisons de deux moyennes 2.1 Objet de l étude On a mesuré le temps de sommeil
Plus en détailÉtude de cas Assurance (d après une étude de Philippe Périé, CISIA)
Étude de cas Assurance (d après une étude de Philippe Périé, CISIA) I.1.Les données L échantillon est constitué de 1106 assurés Belges observés en 1992 et répartis en 2 groupes. - les assurés qui n ont
Plus en détailImputation du salaire d ego dans TeO
Imputation du salaire d ego dans TeO Objet de la note : linéariser la réponse en tranche du salaire, et imputer le salaire en cas de non réponse Champ et principe de la méthode Les individus qui se sont
Plus en détailUn exemple de régression logistique sous
Fiche TD avec le logiciel : tdr341 Un exemple de régression logistique sous A.B. Dufour & A. Viallefont Etude de l apparition ou non d une maladie cardiaque des coronaires 1 Présentation des données Les
Plus en détailUne introduction. Lionel RIOU FRANÇA. Septembre 2008
Une introduction INSERM U669 Septembre 2008 Sommaire 1 Effets Fixes Effets Aléatoires 2 Analyse Classique Effets aléatoires Efficacité homogène Efficacité hétérogène 3 Estimation du modèle Inférence 4
Plus en détailAnalyse de variance à deux facteurs (plan inter-sujets à deux facteurs) TP9
Analyse de variance à deux facteurs (plan inter-sujets à deux facteurs) TP9 L analyse de variance à un facteur permet de vérifier, moyennant certaines hypothèses, si un facteur (un critère de classification,
Plus en détailÉtude des flux d individus et des modalités de recrutement chez Formica rufa
Étude des flux d individus et des modalités de recrutement chez Formica rufa Bruno Labelle Théophile Olivier Karl Lesiourd Charles Thevenin 07 Avril 2012 1 Sommaire Remerciements I) Introduction p3 Intérêt
Plus en détailAnalyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés
Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Professeur Patrice Francour francour@unice.fr Une grande partie des illustrations viennent
Plus en détailApplication des courbes ROC à l analyse des facteurs pronostiques binaires
Application des courbes ROC à l analyse des facteurs pronostiques binaires Combescure C (1), Perneger TV (1), Weber DC (2), Daurès J P (3), Foucher Y (4) (1) Service d épidémiologie clinique et Centre
Plus en détailChapitre 4 : Régression linéaire
Exercice 1 Méthodes statistiques appliquées aux sciences sociales (STAT-D-203) Titulaire : Catherine Vermandele Chapitre 4 : Régression linéaire Le diplôme de Master of Business Administration ou MBA est
Plus en détailTABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.
STATISTIQUE THÉORIQUE ET APPLIQUÉE Tome 2 Inférence statistique à une et à deux dimensions Pierre Dagnelie TABLE DES MATIÈRES Bruxelles, De Boeck, 2011, 736 p. ISBN 978-2-8041-6336-5 De Boeck Services,
Plus en détailDensité de population et ingestion de nourriture chez un insecte vecteur de la maladie de Chagas
Fiche TD avec le logiciel : tdr335 Densité de population et ingestion de nourriture chez un insecte vecteur de la maladie de Chagas F. Menu, A.B. Dufour, E. Desouhant et I. Amat La fiche permet de se familiariser
Plus en détailData mining II. Modélisation Statistique & Apprentissage
Publications du Laboratoire de Statistique et Probabilités Data mining II. Modélisation Statistique & Apprentissage Philippe BESSE Version janvier 2003 mises à jour : www.lsp.ups-tlse.fr/besse Laboratoire
Plus en détailCommande Prédictive des. Convertisseurs Statiques
Commande Prédictive des Convertisseurs Statiques 1 Classification des méthodes de commande pour les convertisseurs statiques Commande des convertisseurs Hystérésis MLI Cde Linéaire Fuzzy Logic Sliding
Plus en détailExercice : la frontière des portefeuilles optimaux sans actif certain
Exercice : la frontière des portefeuilles optimaux sans actif certain Philippe Bernard Ingénierie Economique & Financière Université Paris-Dauphine Février 0 On considère un univers de titres constitué
Plus en détailPrincipe d un test statistique
Biostatistiques Principe d un test statistique Professeur Jean-Luc BOSSON PCEM2 - Année universitaire 2012/2013 Faculté de Médecine de Grenoble (UJF) - Tous droits réservés. Objectifs pédagogiques Comprendre
Plus en détailSAS de base : gestion des données et procédures élémentaires
1 SAS de base : gestion des données et procédures élémentaires SAS de base : gestion des données et procédures élémentaires Résumé Description des commandes (module SAS de base) les plus utiles de l étape
Plus en détailModèle GARCH Application à la prévision de la volatilité
Modèle GARCH Application à la prévision de la volatilité Olivier Roustant Ecole des Mines de St-Etienne 3A - Finance Quantitative Décembre 2007 1 Objectifs Améliorer la modélisation de Black et Scholes
Plus en détailApproche par groupe de gènes pour les données longitudinales d expression génique avec une application dans un essai vaccinal contre le VIH
Approche par groupe de gènes pour les données longitudinales d expression génique avec une application dans un essai vaccinal contre le VIH Boris Hejblum 1,2,3 & Rodolphe Thiébaut 1,2,3 1 Inserm, U897
Plus en détail4 Exemples de problèmes MapReduce incrémentaux
4 Exemples de problèmes MapReduce incrémentaux 1 / 32 Calcul des plus courtes distances à un noeud d un graphe Calcul des plus courts chemins entre toutes les paires de noeuds d un graphe Algorithme PageRank
Plus en détailNouveautés dans Asthme & MPOC
Nouveautés dans Asthme & MPOC Dr Gilles Côté Pneumologue CSSSGatineau Pavillon de Hull 31 Janvier 2014 Conflit d intérêt Aucun 2 1 Objectifs A la fin de cette capsule, le participant pourra identifier
Plus en détailBIG Data et R: opportunités et perspectives
BIG Data et R: opportunités et perspectives Guati Rizlane 1 & Hicham Hajji 2 1 Ecole Nationale de Commerce et de Gestion de Casablanca, Maroc, rguati@gmail.com 2 Ecole des Sciences Géomatiques, IAV Rabat,
Plus en détailStatistiques. Rappels de cours et travaux dirigés. Master 1 Biologie et technologie du végétal. Année 2010-2011
Master 1 Biologie et technologie du végétal Année 010-011 Statistiques Rappels de cours et travaux dirigés (Seul ce document sera autorisé en examen) auteur : Jean-Marc Labatte jean-marc.labatte@univ-angers.fr
Plus en détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détailLe bilan comparatif des médicaments (BCM): où en sommes-nous?
Promouvoir l utilisation sécuritaire des médicaments Le bilan comparatif des médicaments (BCM): où en sommes-nous? My-Lan Pham-Dang, MSc. Formatrice ISMP Canada 10 juin 2010 Hôpital Général Juif Institute
Plus en détailESMO 14. L oncogériatrie d un coup d éventail! Dr Elisabeth Carola UCOG Picardie
ESMO 14 L oncogériatrie d un coup d éventail! Dr Elisabeth Carola UCOG Picardie Cancer du SEIN Taxotere hebdo pas mieux et plus toxique Perrone F et al Ann Oncol 2014 Phase III : CMF vs Taxotere hebdo
Plus en détail1 Modélisation d être mauvais payeur
1 Modélisation d être mauvais payeur 1.1 Description Cet exercice est très largement inspiré d un document que M. Grégoire de Lassence de la société SAS m a transmis. Il est intitulé Guide de démarrage
Plus en détailHépatite C, les nouveaux traitements
Hépatite C, les nouveaux traitements Dr Ghassan Riachi CHU de Rouen QDN 2014 Revue de presse p L hépatite C est une maladie curable Peginterferon + DAAs 2011 Standard Interferon 1991 + Ribavirin 1998 2001
Plus en détailGestion de Portefeuille. Mesures de Performance Ajustées du Risque
Gestion de Portefeuille Mesures de Performance Ajustées du Risque Le Ratio de Sharpe La mesure de performance (ajustée du risque) la plus utilisée Rappel: Propriétés du ratio de Sharpe Mesure de la stratégie:
Plus en détailAnalyse des durées de vie avec le logiciel R
Analyse des durées de vie avec le logiciel R Ségolen Geffray Des outils ainsi que des données pour l analyse des durées de vie sont disponibles dans les packages survival MASS Il est nécessaire de charger
Plus en détailBiostatistiques : Petits effectifs
Biostatistiques : Petits effectifs Master Recherche Biologie et Santé P. Devos DRCI CHRU de Lille EA2694 patrick.devos@univ-lille2.fr Plan Données Générales : Définition des statistiques Principe de l
Plus en détailESIEA PARIS 2011-2012
ESIEA PARIS 2011-2012 Examen MAT 5201 DATA MINING Mardi 08 Novembre 2011 Première Partie : 15 minutes (7 points) Enseignant responsable : Frédéric Bertrand Remarque importante : les questions de ce questionnaire
Plus en détailBUSINESS FORECASTING SYSTEM
Septembre 2012 Pour vos appels d offre LOGICIELS DE PRÉVISION 3 e ÉDITION BUSINESS FORECASTING SYSTEM XE - Unlimited SC Trac SC SupplyChainMagazine.fr 19, rue Saint-Georges - 94700 Maisons-Alfort 1. NOM
Plus en détail1 Définition de la non stationnarité
Chapitre 2: La non stationnarité -Testsdedétection Quelques notes de cours (non exhaustives) 1 Définition de la non stationnarité La plupart des séries économiques sont non stationnaires, c est-à-direqueleprocessusquiles
Plus en détailEssai Inter-groupe : FFCD UNICANCER FRENCH - GERCOR
CLIMAT - PRODIGE 30 Etude de phase III randomisée évaluant l Intérêt de la colectomie première chez les patients porteurs d un cancer colique asymptomatique avec métastases hépatiques synchrones non résécables
Plus en détailTABLE DES MATIERES. C Exercices complémentaires 42
TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence
Plus en détailCORRELATION RADIO-ANATOMIQUE DANS LE CARCINOME HEPATOCELLULAIRE TRAITE PAR TRANSPLANTATION HEPATIQUE : IMPACT SUR LA RECIDIVE
CORRELATION RADIO-ANATOMIQUE DANS LE CARCINOME HEPATOCELLULAIRE TRAITE PAR TRANSPLANTATION HEPATIQUE : IMPACT SUR LA RECIDIVE L. Lecoq, J. Gendre, N. Sturm, C. Letoublon, MN. Hilleret, JP. Zarski, V. Leroy
Plus en détaildossier de presse nouvelle activité au CHU de Tours p a r t e n a r i a t T o u r s - P o i t i e r s - O r l é a n s
dossier de presse nouvelle activité au CHU de Tours lat ransplantation hépatique p a r t e n a r i a t T o u r s - P o i t i e r s - O r l é a n s Contact presse Anne-Karen Nancey - Direction de la communication
Plus en détailConclusions d étape Groupe de travail APHP Prélèvements - Transplantation. R Adam, F. Desgrandchamps, S Cohen
Conclusions d étape Groupe de travail APHP Prélèvements - Transplantation R Adam, F. Desgrandchamps, S Cohen Etat des lieux : prélèvements et greffes à l AP-HP Forte Activité de l AP-HP au plan national
Plus en détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
Plus en détailFiche descriptive de l indicateur : Tenue du dossier anesthésique (DAN)
Définition Score individuel Score global Echantillon Critère d inclusion Fiche descriptive de l indicateur : Tenue du dossier anesthésique (DAN) Cet indicateur évalue la tenue du dossier anesthésique.
Plus en détailRestaurer la confiance? Etudes Empiriques Conclusion et ouverture
Restaurer la confiance des investisseurs : une exploration expérimentale systématique de l effet des politiques d investissement socialement responsable. Marco Heimann Sous la direction de Jean-François
Plus en détailLa problématique des tests. Cours V. 7 mars 2008. Comment quantifier la performance d un test? Hypothèses simples et composites
La problématique des tests Cours V 7 mars 8 Test d hypothèses [Section 6.1] Soit un modèle statistique P θ ; θ Θ} et des hypothèses H : θ Θ H 1 : θ Θ 1 = Θ \ Θ Un test (pur) est une statistique à valeur
Plus en détailMETHODOLOGIE POUR ACCROITRE LE POOL DE DONNEURS PULMONAIRES
METHODOLOGIE POUR ACCROITRE LE POOL DE DONNEURS PULMONAIRES Marc STERN Groupe de Transplantation Pulmonaire Hôpital Foch Aucun conflit d intérêt à déclarer Le greffon pulmonaire Bien rare et insuffisant:
Plus en détailDifférenciation de fonction
Axe de recherche : Étude de l organisation l de l activitl activité infirmière re Différenciation de fonction infirmière re Geoffroy Berckmans Assistant - PRISCI - IRSS - ESP UCL Projet de recherche fédéral
Plus en détailDidacticiel - Études de cas. Description de quelques fonctions du logiciel PSPP, comparaison des résultats avec ceux de Tanagra, R et OpenStat.
1 Objectif Description de quelques fonctions du logiciel PSPP, comparaison des résultats avec ceux de Tanagra, R et OpenStat. Tout le monde l aura compris, je passe énormément de temps à analyser les logiciels
Plus en détailEFFICACITÉ ET INNOCUITÉ D UN MÉDICAMENT CONTRE LA MPOC COMPARATIVEMENT À UN CONTRÔLE
MICHÈLE PICARD FLIBOTTE EFFICACITÉ ET INNOCUITÉ D UN MÉDICAMENT CONTRE LA MPOC COMPARATIVEMENT À UN CONTRÔLE Essai-stage présenté à la Faculté des études supérieures de l Université Laval dans le cadre
Plus en détailEtude de la place de la prise en charge des troubles musculo-squelettiques (TMS)chroniques par acupuncture en milieu hospitalier à l AP-HP
Etude de la place de la prise en charge des troubles musculo-squelettiques (TMS)chroniques par acupuncture en milieu hospitalier à l AP-HP Dr Annie Felten, Dr Olivier Duhamel, Dr Marie Koechlinet Dr Thierry
Plus en détailLes opérations à effet de levier - LBO. Isabelle Martinez Master CCA2
Les opérations à effet de levier - LBO Isabelle Martinez Master CCA2 Définition Un LBO ou Leveraged Buy Out est le rachat des actions d'une entreprise par un ou plusieurs fonds d investissement spécialisés.
Plus en détailQUEL AVENIR POUR LA PHARMACIE HOSPITALIERE EN SUISSE?
QUEL AVENIR POUR LA PHARMACIE HOSPITALIERE EN SUISSE? Regard critique sur nos filières de formation Symposium GSASA, Berne, 12 mai 2009 André Pannatier 1 PLAN 1. Les filières de formation de base et postdiplôme
Plus en détailSéance 11 : Typologies
Séance 11 : Typologies Sommaire Proc CLUSTER : Typologie hiérarchique... 3 Proc FASTCLUS : Typologie nodale... 8 Proc MODECLUS : Typologie non paramétrique... 11 - Les phénomènes observés (attitudes, comportements,
Plus en détail23. Interprétation clinique des mesures de l effet traitement
23. Interprétation clinique des mesures de l effet traitement 23.1. Critères de jugement binaires Plusieurs mesures (indices) sont utilisables pour quantifier l effet traitement lors de l utilisation d
Plus en détailK. Ammar, F. Bachoc, JM. Martinez. Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau
Apport des modèles de krigeage à la simulation numérique K Ammar, F Bachoc, JM Martinez CEA-Saclay, DEN, DM2S, F-91191 Gif-sur-Yvette, France Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau Apport des
Plus en détailL'intelligence d'affaires: la statistique dans nos vies de consommateurs
L'intelligence d'affaires: la statistique dans nos vies de consommateurs Jean-François Plante, HEC Montréal Marc Fredette, HEC Montréal Congrès de l ACFAS, Université Laval, 6 mai 2013 Intelligence d affaires
Plus en détailEconométrie et applications
Econométrie et applications Ecole des Ponts ParisTech Département Sciences Economiques Gestion Finance Nicolas Jacquemet (nicolas.jacquemet@univ-paris1.fr) Université Paris 1 & Ecole d Economie de Paris
Plus en détailAnalyse des correspondances avec colonne de référence
ADE-4 Analyse des correspondances avec colonne de référence Résumé Quand une table de contingence contient une colonne de poids très élevé, cette colonne peut servir de point de référence. La distribution
Plus en détailRésistance du virus de l hépatite C aux nouveaux traitements anti-viraux
14 ème forum SOS Hépatites, Lyon Résistance du virus de l hépatite C aux nouveaux traitements anti-viraux Dr. Sylvie LARRAT Laboratoire de Virologie CHU Grenoble Hépatite C chronique 180 millions de porteurs
Plus en détailCOMPARAISON DE LOGICIELS TESTANT L INDEPENDANCE DE VARIABLES BINAIRES
J. sci. pharm. biol., Vol.9, n - 00, pp. 9-0 EDUCI 00 9 VALLEE POLNEAU S.* DIAINE C. COMPARAISON DE LOGICIELS TESTANT L INDEPENDANCE DE VARIABLES BINAIRES Notre étude visait à comparer les résultats obtenus
Plus en détailLOGICIELS DE PRÉVISIONS
Pour vos appels d offre Mars 2014 LGICIELS DE PRÉVISINS 4 e ÉDITIN SAS INSTITUTE SAS Forecast Server SupplyChainMagazine.fr 19, rue Saint-Georges - 94700 Maisons-Alfort 1. NM de l'éditeur SAS Institute
Plus en détailCours de méthodes de scoring
UNIVERSITE DE CARTHAGE ECOLE SUPERIEURE DE STATISTIQUE ET D ANALYSE DE L INFORMATION Cours de méthodes de scoring Préparé par Hassen MATHLOUTHI Année universitaire 2013-2014 Cours de méthodes de scoring-
Plus en détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détailExemples d Analyses de Variance avec R
Exemples d Analyses de Variance avec R Christophe Pallier 5 août 00 Résumé R est un logiciel d analyse statistique qui fournit toutes les procédures usuelles (t-tests, anova, tests non paramétriques...)
Plus en détail"Formation et évaluation de la compétence du pharmacien clinicien expérience suisse"
"Formation et évaluation de la compétence du pharmacien clinicien expérience suisse" Journées Franco-Suisses de Pharmacie Hospitalière 23 avril 2015, Mâcon Dr Vera Jordan-von Gunten Pharmacien d hôpital,
Plus en détailLES MODELES DE SCORE
LES MODELES DE SCORE Stéphane TUFFERY CONFERENCE GENDER DIRECTIVE 31 mai 2012 31/05/2012 ActuariaCnam Conférence Gender Directive Stéphane Tufféry 1 Plan Le scoring et ses applications L élaboration d
Plus en détailIntroduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
Plus en détailHENDRICH FALL RISK MODEL (HFRM)
HENDRICH FALL RISK MODEL (HFRM) Hendrich, A. L., Bender, P. S., & Nyhuis, A. (2003). Validation of the Hendrich II Fall Risk Model: a large concurrent case/control study of hospitalized patients. Appl.Nurs
Plus en détailCas clinique 2. Florence JOLY, Caen François IBORRA, Montpellier
Cas clinique 2 Florence JOLY, Caen François IBORRA, Montpellier Cas clinique Patient de 60 ans, ATCD: HTA, IDM en 2007, hypercholestérolémie Juin 2008: Toux, dyspnée (sous 02) et anorexie progressive Bilan
Plus en détailINITIATION AU LOGICIEL SAS
INITIATION AU LOGICIEL SAS (version 9.1.3 sous Windows) Hélène HAMISULTANE Bibliographie : Initiation au logiciel SAS(9) pour Windows, Coqué N. (juin 2006). www.agroparistech.fr/img/pdf/polysas.pdf SAS
Plus en détailQUALITÉ DE L APPRENTISSAGE DE L INTUBATION ORO-TRACHÉALE EN LABORATOIRE DE SIMULATION, SON INTÉRÊT POUR LES PATIENTS.
QUALITÉ DE L APPRENTISSAGE DE L INTUBATION ORO-TRACHÉALE EN LABORATOIRE DE SIMULATION, SON INTÉRÊT POUR LES PATIENTS. Mémoire de D.E.S.C. de Médecine d Urgence Olivier Vuillot Matériel et Méthode : Design
Plus en détailPremier modèle - Version simple
Chapitre 1 Premier modèle - Version simple Les individus vivent chacun six générations successives d adultes, chacune d une durée de dix ans, sans distinction faite entre les individus d une même génération.
Plus en détailÉpidémiologie des maladies interstitielles diffuses
Épidémiologie des maladies interstitielles diffuses 3 à 5/100 000 habitants Augmente avec l age 175 /100 000 >70 ans Notre file active toutes les maladies interstitielles confondues plus de 120 patients
Plus en détailSTATISTIQUES. UE Modélisation pour la biologie
STATISTIQUES UE Modélisation pour la biologie 2011 Cadre Général n individus: 1, 2,..., n Y variable à expliquer : Y = (y 1, y 2,..., y n ), y i R Modèle: Y = Xθ + ε X matrice du plan d expériences θ paramètres
Plus en détailPharmacologie des «nouveaux» anticoagulants oraux
Pharmacologie des «nouveaux» anticoagulants oraux Apixaban, Dabigatran, Rivaroxaban Pr D. DEPLANQUE Département de Pharmacologie médicale EA 1046 et CIC 9301 INSERM-CHRU, Institut de Médecine Prédictive
Plus en détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en détailProcessus de compétitivité : Facteurs et évaluation
Processus de compétitivité : Facteurs et évaluation Application aux entreprises tunisiennes par Selma Katlane Ben Mlouka Selma Katlane Ben Mlouka Docteur en gestion, Assistante à la Faculté des Sciences
Plus en détailTests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE
Chapitre 5 UE4 : Biostatistiques Tests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés.
Plus en détailEstimation des élasticités de demande des amandes de noix d anacarde au Bénin à partir d un modèle AIDS
Résumé Estimation des élasticités de demande des amandes de noix d anacarde au Bénin à partir d un modèle AIDS Laurent OLOUKOÏ 1 et Patrice Y. ADEGBOLA 2 Cet article utilise les données issues de l enquête
Plus en détailAnalyse discriminante et régression logistique: application au cas de l innovation pour les entreprises du Canton du Tessin
Analyse discriminante et régression logistique: application au cas de l innovation pour les entreprises du Canton du Tessin Sandro Petrillo Université de Neuchâtel - Diplôme Postgrade en Statistique Projet
Plus en détailManipulation de données avec SAS Enterprise Guide et modélisation prédictive avec SAS Enterprise Miner
Le cas Orion Star Manipulation de données avec SAS Enterprise Guide et modélisation prédictive avec SAS Enterprise Miner Le cas Orion Star... 1 Manipulation de données avec SAS Enterprise Guide et modélisation
Plus en détailCours 9 : Plans à plusieurs facteurs
Cours 9 : Plans à plusieurs facteurs Table des matières Section 1. Diviser pour regner, rassembler pour saisir... 3 Section 2. Définitions et notations... 3 2.1. Définitions... 3 2.2. Notations... 4 Section
Plus en détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en détailCrédit Scoring. Master 2 SRO. Année scolaire 2009/2010. Professeur : RICHARD EMILION. Réalisé par : MAHAMAT OUMAR ALHABO et OULD EL HADDAD CHEIKH
Master 2 SRO Année scolaire 2009/2010 Crédit Scoring Professeur : RICHARD EMILION Réalisé par : MAHAMAT OUMAR ALHABO et OULD EL HADDAD CHEIKH Master_2_SRO_Data-Mining 1 Table des matières PARTIE 1 1. Résumé
Plus en détailSéminaire du Pôle Santé
1 Séminaire du Pôle Santé Les télésoins à domicile au Québec représentent-ils une solution économiquement viable? Guy Paré, Ph.D., MSRC Titulaire de la Chaire de recherche du Canada en technologies de
Plus en détailTransplantation hépatique à donneur vivant apparenté. Olivier Scatton, Olivier Soubrane, Service de chirurgie Cochin
Transplantation hépatique à donneur vivant apparenté Olivier Scatton, Olivier Soubrane, Service de chirurgie Cochin Introduction Le prélèvement d une partie du foie chez une personne «vivante» et apparentée
Plus en détailModèles Estimés sur Données de Panel
Modèles Estimés sur Données de Panel Introduction Il est fréquent en économétrie qu on ait à composer avec des données à deux dimensions : - une dimension chronologique - une dimension spatiale Par exemple,
Plus en détailIntroduction à la statistique non paramétrique
Introduction à la statistique non paramétrique Catherine MATIAS CNRS, Laboratoire Statistique & Génome, Évry http://stat.genopole.cnrs.fr/ cmatias Atelier SFDS 27/28 septembre 2012 Partie 2 : Tests non
Plus en détailRelation entre deux variables : estimation de la corrélation linéaire
CHAPITRE 3 Relation entre deux variables : estimation de la corrélation linéaire Parmi les analyses statistiques descriptives, l une d entre elles est particulièrement utilisée pour mettre en évidence
Plus en détailData Mining. Vincent Augusto 2012-2013. École Nationale Supérieure des Mines de Saint-Étienne. Data Mining. V. Augusto.
des des Data Mining Vincent Augusto École Nationale Supérieure des Mines de Saint-Étienne 2012-2013 1/65 des des 1 2 des des 3 4 Post-traitement 5 représentation : 6 2/65 des des Définition générale Le
Plus en détailTRAITEMENT DE L HÉPATITE B
TRAITEMENT DE L HÉPATITE B P Mathurin Service d Hépatogastroentérologie Pr Paris Hôpital Claude Hurriez CHRU Lille CRITERES VIROLOGIQUES ET HISTOIRE NATURELLE 1 OBJECTIF THERAPEUTIQUE: Séroconversion HBe
Plus en détailLes indices à surplus constant
Les indices à surplus constant Une tentative de généralisation des indices à utilité constante On cherche ici en s inspirant des indices à utilité constante à définir un indice de prix de référence adapté
Plus en détailBERTHIER E, CHRISTIANO M, PHILIPPE M O, IEHL J, TATARU N, DECAVEL P, VUILLIER F, ELISEEF A, MOULIN T. Introduction (1). Contexte de l étude
REPRODUCTIBILITE INTEROBSERVATEUR DU TEST «NIHSS» (National Institutes of Heath Stroke Scale) RÉALISÉ PAR VIDÉOCONFÉRENCE : EXPÉRIENCE DU RÉSEAU DES URGENCES NEUROLOGIQUES (RUN) BERTHIER E, CHRISTIANO
Plus en détail