Très rapidement : biais d'attrition apparaît lorsque des individus disparaissent de l'analyse. On peut tenterde corriger à condition d'avoir une information sur ces perdus de vue. Par exemple, s'il s'agiot de valeurs manquantes qui sont responsables de leur mise à l'écart, on peut utiliser des techniques de remplacement de ces valeurs manquantes. Un autre exemple est courant dans le cadre des modèles de survie avec la notion de risques concurrents : vous suivez des individus en espérant qu'un évènement se réalise sur votre fenêtre d'observation. Un évènement autre survient qui empêche la survenue de l'évènement d'intérêt de sorte qu'en plus l'individu disparaît de l'échantillon. Dans ce cas il faut écrire la vraisemblance de façon adaptée pour tenir compte de ce biais d'attrition. Techniquement il est essentiel que les individus perdus le soit pour une raison indépendante du phénomène que l'on veut expliquer.

Dernière modification par esa_gc (28-12-2009 19:58:34)