REGULAR ARTICLES

Marginalized Models for Moderate to Long Series of Longitudinal Binary Response Data
Les modèles marginalisés (Heagerty, 1999) permettent l'inférence basée sur la vraisemblance lorsqu'on s'intéresse à des modèles marginaux de régression pour des données longitudinales binaires. Deux modèles de ce type sont le modèle de transition marginalisée, et le modèle à variable latente marginalisée. Le premier reflète la dépendance sérielle intra-sujet au sein des mesures répétées avec des termes de transition dans le modèle, tandis que le deuxième suppose l'échangeabilité ou la non-décroissance de la dépendance de la réponse avec des intercepts aléatoires. Dans cet article, nous étendons la classe des modèles marginalisés en proposant un modèle simple unifié décrivant à la fois la dépendance sérielle et la dépendance au long terme. Ce modèle est particulièrement utile dans des analyses longitudinales avec un nombre de mesures répétées par sujet modéré ou large, où aussi bien les formes sérielles et échangeables de la corrélation de la réponse peuvent être identifiées. Nous décrivons des approches bayésiennes et au maximum de vraisemblance pour l'estimation des paramètres et pour l'inférence, et nous étudions les caractéristiques opérationnelles pour de grands échantillons, sous deux types de mauvaise spécification du modèle de dépendance. On analyse les données de l'étude longitudinale de schizophrénie de Madras (Thara, 1994).