Estimateurs de type LASSO pour l'estimation de modèles à effets mixtes non linéaires semiparamétriques.

Résumé Les modèles paramétriques non linéaires à effets mixtes (NLME) sont maintenant largement utilisés dans les études biométriques, en particulier dans la recherche pharmacocinétique et les modèles de dynamique du VIH, en raison, entre autres, des progrès informatiques réalisés au cours des dernières années. Cependant, ce type de modèles peut ne pas être assez flexible pour l'analyse de données longitudinales complexes. Les NLME semi-paramétriques (SNMMs) ont été proposés comme une extension des NLMEs. Ces modèles sont un bon compromis et conservent les caractéristiques intéressantes des modèles paramétriques et non paramétriques, ce qui permet d'obtenir des modèles plus flexibles que les NLME paramétriques standard. Cependant, les SNMMs sont des modèles complexes pour lesquels l'estimation reste un défi. Les procédures d'estimation précédentes sont basées sur une combinaison de méthodes d'approximation de la log-vraisemblance pour l'estimation paramétrique et de techniques de splines de lissage pour l'estimation non-paramétrique. Dans ce travail, nous proposons de nouvelles stratégies d'estimation dans les SNMMs. D'une part, nous utilisons la version d'approximation stochastique de l'algorithme EM (SAEM) pour obtenir des estimations exactes ML et REML des effets fixes et vari-Ana Arribas-Gil est soutenue par les projets MTM2010-17323 et ECO2011-25706, Espagne. Karine Bertin est soutenue par les projets FONDECYT 1090285 et ECOS/CONICYT C10E03 2010, Chili. Cristian Meza est soutenu par le projet FONDECYT 11090024, Chili.