Abstrait

Modèles de régression à seuil et de temps de première frappe

Calvin L. Williams* et Chelsea Law

Les modèles de premier impact sont une technique de modélisation d'un processus stochastique lorsqu'il s'approche ou évite une limite, également appelée seuil. Le processus lui-même peut être inobservable, ce qui rend ce problème difficile. Des techniques de régression peuvent cependant être utilisées pour modéliser les données par rapport au seuil, créant une classe de modèles de premier impact appelés modèles de régression à seuil. Les données de survie, qui mesurent le temps écoulé avant qu'un événement ne se produise, sont largement utilisées dans la modélisation des données médicales et industrielles. Pour analyser et modéliser les données disponibles, une méthode couramment utilisée est le modèle à risques proportionnels, mais cela nécessite une hypothèse de risques proportionnels forte, qui fait souvent défaut dans la pratique. À la place du modèle à risques proportionnels, des modèles de premier impact peuvent être utilisés. Les modèles de premier impact ne nécessitent pas d'hypothèses aussi fortes et peuvent être étendus pour devenir des modèles de régression à seuil. La régression à seuil présente de nombreux avantages par rapport au modèle à risques proportionnels, notamment sa flexibilité dans ses hypothèses et son utilisation et son application aux processus stochastiques si souvent évidentes dans la mesure de la survie. Cet article décrit le processus de modélisation par régression à seuil et compare ses résultats et son utilité à ceux du modèle à risques proportionnels. Cette approche est présentée dans quelques applications intéressantes.