Aperçu

Résumé (français)

Les enquˆetes longitudinales sont apparues r´ecemment comme un moyen important de collecte d’observations pour les ´etudes sur les populations dont nous voulons ´etudier les changements dans le temps de la population au niveau des individus. Les donn´ees longitudinales sont souvent analys´ees en utilisant les ´equations d’estimation g´en´eralis´ees (GEE). Cependant, une grande partie des articles publi´es sur la m´ethode GEE sont d´evelopp´es dans un cadre non ´echantillonnal et ils ne sont pas appropri´es pour des donn´ees obtenues par des devis ´echantillonnaux complexes. Dans cet article, les auteurs d´eveloppent une approche pseudo-GEE pour l’analyse des donn´ees d’enquˆete. Ils d´emontrent que les poids d’´echantillonnage doivent et peuvent ˆetre consid´er´es de fac¸on ad´equate dans une m´ethode GEE dans un contexte d’al´eation conjointe. La convergence des estimateurs pseudo-GEE ainsi obtenus est d´emontr´ee dans le cadre propos´e. Les estimateurs de la variance par lin´earisation sont d´evelopp´es pour les estimateurs pseudo-GEE lorsque le taux d’´echantillonnage de la population fini est petit ou n´egligeable, sc´enario qui se produit souvent pour les enquˆetes de grande envergure. La performance pour de petits ´echantillons des estimateurs propos´es est ´etudi´ee grˆace `a une ´etude de simulation exhaustive en utilisant des donn´ees provenant de l’enquˆete longitudinale nationale sur les enfants et les jeunes. Les r´esultats indiquent que les estimateurs pseudo-GEE et ceux de la variance par lin´earisation se comportent tr`es bien sous plusieurs devis ´echantillonnaux, et ce tant pour les r´eponses continues que binaires.

Résumé (anglais)

Abstract: Longitudinal surveys have emerged in recent years as an important data collection tool for population studies where the primary interest is to examine population changes over time at the individual level. Longitudinal data are often analyzed through the generalized estimating equations (GEE) approach. The vast majority of existing literature on the GEE method; however, is developed under non-survey settings and are inappropriate for data collected through complex sampling designs. In this paper the authors develop a pseudo-GEE approach for the analysis of survey data. They show that survey weights must and can be appropriately accounted in the GEE method under a joint randomization framework. The consistency of the resulting pseudo-GEE estimators is established under the proposed framework. Linearization variance estimators are developed for the pseudo-GEE estimators when the finite population sampling fractions are small or negligible, a scenario often held for large-scale surveys. finite sample performances of the proposed estimators are investigated through an extensive simulation study using data from the National Longitudinal Survey of Children and Youth. The results show that the pseudo-GEE estimators and the linearization variance estimators perform well under several sampling designs and for both continuous and binary responses.