Les méthodes d'ajustement dans les modèles d'évaluation de la mortalité hospitalière. Partie 1, Etude descriptive : document de travail

Suite à la demande du Président de la République de disposer d'indicateurs de mortalité en établissements de santé » (discours du 18 septembre 2008 sur le thème de la politique de la santé et de la réforme du système de soins), la Direction de la recherche, des études, de l'évaluation et des statistiques (DREES) a piloté en 2009, en lien avec la Direction générale de l'offre de soins (DGOS) et la Haute autorité de santé (HAS), l'instruction des aspects méthodologiques relatifs à la construction de ces indicateurs de mortalité. Cette revue de littérature portant sur les différentes méthodes d'ajustement a été réalisée dans ce cadre, à la demande conjointe de la DREES et de la HAS.Ce rapport décrit les méthodes et modèles d'estimation et d'ajustement de la mortalité hospitalière identifiées dans la littérature.Il ressort de cette revue, que d'une manière générale, trois questions méthodologiques majeures préoccupent les épidémiologistes, les chercheurs et les décideurs s'intéressant à l'indicateur de la mortalité hospitalière : i) premièrement, sur l'opportunité d'établir l'indicateur de mortalité hospitalière à partir de groupes de population de patients homogènes définis par des pathologies et/ou des procédures médicales/chirurgicales cibles ; ii) deuxièmement, sur le type d'approche analytique et de l'intérêt de prendre en compte plusieurs niveaux dans l'analyse statistique ; iii) enfin troisièmement, sur le choix des variables d'ajustement permettant de contrôler les différences de case-mix entre plusieurs établissements ou groupes de patients pour réaliser des comparaisons. [Ed.]

Un regard bayesien sur les modèles dynamiques de la macroéconomie

http://alize.finances.gouv.fr/prevision/revue/resumes/ep183184/pdf/rsf183184a6.pdf

Causalités à court et à long terme dans les modèles VAR et ARIMA multivariés.

La causalité au sens de Granger est habituellement définie par la prévisibilité d'un vecteur de variables par un autre une période à l'avance. Récemment, Lutkepohl (1990) a proposé de définir la non-causalité entre deux variables (ou vecteurs) par la non-prévisibilité à tous les délais dans le futur. Lorsqu'on considère plus de deux vecteurs (ie. lorsque l'ensemble d'information contient les variables auxiliaires), ces deux notions ne sont pas équivalentes. Dans ce texte, nous généralisons d'abord les notions antérieures de causalités en considérant la causalité à un horizon donné h arbitraire, fini ou infini. Ensuite, nous dérivons des conditions nécessaires et suffisantes de non-causalité entre deux vecteurs de variables (à l'intérieur d'un plus grand vecteur) jusqu'à un horizon donné h. Les modèles considérés incluent les autoregressions vectorielles, possiblement d'ordre infini, et les modèles ARIMA multivariés. En particulier, nous donnons des conditions de séparabilité et de rang pour la non-causalité jusqu'à un horizon h, lesquelles sont relativement simples à vérifier.

Tests multiples simulés et tests de normalité basés sur plusieurs moments dans les modèles de régression

Cet article illustre l’applicabilité des méthodes de rééchantillonnage dans le cadre des tests multiples (simultanés), pour divers problèmes économétriques. Les hypothèses simultanées sont une conséquence habituelle de la théorie économique, de sorte que le contrôle de la probabilité de rejet de combinaisons de tests est un problème que l’on rencontre fréquemment dans divers contextes économétriques et statistiques. À ce sujet, on sait que le fait d’ignorer le caractère conjoint des hypothèses multiples peut faire en sorte que le niveau de la procédure globale dépasse considérablement le niveau désiré. Alors que la plupart des méthodes d’inférence multiple sont conservatrices en présence de statistiques non-indépendantes, les tests que nous proposons visent à contrôler exactement le niveau de signification. Pour ce faire, nous considérons des critères de test combinés proposés initialement pour des statistiques indépendantes. En appliquant la méthode des tests de Monte Carlo, nous montrons comment ces méthodes de combinaison de tests peuvent s’appliquer à de tels cas, sans recours à des approximations asymptotiques. Après avoir passé en revue les résultats antérieurs sur ce sujet, nous montrons comment une telle méthodologie peut être utilisée pour construire des tests de normalité basés sur plusieurs moments pour les erreurs de modèles de régression linéaires. Pour ce problème, nous proposons une généralisation valide à distance finie du test asymptotique proposé par Kiefer et Salmon (1983) ainsi que des tests combinés suivant les méthodes de Tippett et de Pearson-Fisher. Nous observons empiriquement que les procédures de test corrigées par la méthode des tests de Monte Carlo ne souffrent pas du problème de biais (ou sous-rejet) souvent rapporté dans cette littérature – notamment contre les lois platikurtiques – et permettent des gains sensibles de puissance par rapport aux méthodes combinées usuelles.