Prise en compte de la censure à gauche dans la modélisation de données de grande dimension
Résumé
Dans ce travail, nous décrivons deux algorithmes d’estimation des modèles de régression pénalisée pour des données censurées à gauche. Le premier est basé sur une version paramétrique de l’estimateur de Buckley-James et une résolution itérative des moindres carrés pénalisés. Le deuxième est basé sur une fonction de vraisemblance pénalisée, qui différentie la contribution d’un individu selon que ses données soient censurées ou non. La méthode de Levenberg-Marquardt est appliquée afin de permettre l’obtention d’une solution numérique au problème de maximisation par rapport à plusieurs paramètres d’une fonction de vraisemblance non linéaire. Afin d’évaluer l’apport de la prise en compte de la censure à gauche dans la prédiction de la réponse à partir des prédicteurs, ainsi que de comparer les différents algorithmes, une étude par simulation est développée.