Teo clase 5 parte 3

Ce cours de troisième partie de la cinquième séance aborde la distinction entre modèles conditionnels (sujet-spécifiques) et modèles marginaux (populationnels) dans le cadre des modèles linéaires généralisés mixtes (GLMM). L’enseignant rappelle d’abord les trois échelles d’interprétation (logit, odds ratio, probabilité) et illustre la prédiction pour un sujet typique. Il explique ensuite que les modèles marginaux, comme les équations d’estimation généralisées (GEE), ne sont pas disponibles dans les GLMM classiques et nécessitent une approche différente. La différence fondamentale réside dans l’interprétation : les modèles conditionnels estiment l’effet pour un sujet typique, tandis que les modèles marginaux estiment l’effet moyen dans la population. L’enseignant souligne que ces deux approches donnent des résultats numériques différents pour les probabilités, bien que les rapports de cotes soient proches. Il illustre le choix entre les deux par des exemples concrets : un médecin prédisant la réponse d’un patient individuel (modèle conditionnel) versus un ministre de la santé évaluant l’impact d’une campagne de vaccination (modèle marginal). La suite du cours est consacrée à l’analyse de deux projets de thèse d’étudiants. Le premier porte sur un test de priming linguistique avec des mesures répétées sur des sujets et des items, soulevant des questions sur la modélisation des effets aléatoires (sujet, item) et la distinction entre facteurs croisés et emboîtés. Le second porte sur l’étude de la taille des œufs de manchots en Patagonie sur plusieurs années, avec des questions sur la prise en compte de l’année comme facteur fixe ou aléatoire et la distinction entre tendance temporelle et effet des conditions environnementales. L’enseignant fournit des conseils méthodologiques détaillés pour chaque projet, notamment sur la codification des variables et la gestion des facteurs aléatoires.