مرکز منطقه ای اطلاع رساني علوم و فناوري - RÉGRESSION LOGISTIQUE DANS LES ESSAIS CLINIQUES PAR MCMC

Abstract :

Les méthodes de Monte Carlo par Chaîne de Markov (et abrégée en MCMC) sont apparues il y a 50 ans pour la physique statistique, ont des applications presque illimitées, même si ses performances varient largement, selon la complexité du problème. Elle tire son nom de l’idée que, pour produire des approximations acceptables d’intégrales et d’autres fonctions dépendant d’une loi d’intérêt, il suffit de générer une chaîne de Markov (theta^(m) ) de loi limite de la loi d’intérêt. Cette idée d’utiliser le comportement limite d’une chaîne de Markov apparaît à la même époque que la technique de Monte Carlo originelle. La simulation de Monte Carlo vise à envisager l’estimation par simulation « aléatoire » plutôt que par analyse algébrique. Notre étude est basée sur l’estimation par les algorithmes de Metropolis-Hasting et l’échantillonnage de Gibbs dans le cadre d’un modèle non linéaire généralisé, le modèle de la régression logistique. Nous avons utilisé le logiciel WinBUGS pour estimer les paramètres, et interpréter les résultats de données réelles.