Bon, ça s’explique d’un point de vue mathématique, mais la signification des termes estimés change aussi et de façon qui peut être importante. J’avoue que ça me gêne d’un point de vue de l’interprétation des coefficients : l’interprétation des coefficients serait dépendante de l’échelle de temps qu’on a prise ! On pourrait avoir des conclusiosn différentes selon l’échelle de temps qu’on a prise…
Il y a encore des trucs qui m’échappent…

Comme l’a dit nilidas, l’usage de la proc traj n’est pas évident du tout.

Le mystère reste quant à moi quant aux translations sur l’échelle du temps qui elles changent (au moins pour les logits) les résultats même jusqu’aux significations des coefficients estimés par le modèle.

“Observe that age is divided by 10 in all of these illustrations. This is done for computational reasons only, but it is imperative. The maximum likelihood parameter estimates are identified by a complex computer search. The computational accuracy of the calculations required by this search is often greatly improved by scaling age or time variable so that the successively higher tmers in the polynomial definig the trajectory are all of about the same scale (that is, age, age squared, and age cubed are within the same order of magnitude).

J’espère que cela permet de répondre à votre question.

Denis

Dans les exemples donnés par le site de la proc traj, l’échelle de temps est “bidouillée” de telle facon qu’elle soit centrée sur la valeur 0 et qu’elle aille en gros de -1 à +1. Quel est le sens de cette transformation, pourquoi cette transformation ?

J’ai fait quelques essais (sur la logit). la proc traj semble insensible à l’applicatuon d’un facteur multiplicatif à tous les temps (bon, normal ), mais elle semble sensible à l’application d’un facteur additif (enfin, une transllation). Je ne comprends pas trop.

Quelqu’un a-t-il des éclaircissements quant à ça ?

Voici un peu plus de détails.

La 1ere étape consiste à séparé ton jeu de données en 10 classes selon les valeurs de ta variables explicatives. &max_value est la valeur tout simplement la valeur maximale de ta variable explicative.

Par exemple, si ma valeur maximale est 200, je vais séparer mes 10 classes par groupe de 20, 0-20, 20-40, 40-60 etc….

Ensuite, je veux obtenir la moyenne de chaque classe pour ma variable explicative. Après, j’obtiens le nombre de 0 et de 1 pour pouvoir construire mon logit (axe des ordonnées).

Ainsi, je regroupe mes trois jeu de données en 1 pour pouvoir ensuite faire mon graphique pour tester l’hypothèse de linéarité.

L’autre graphique (plot pred*&var_expl) sert à tester l’hypothèse d’homogénéité de la variance dans le cas d’une variable catégorique.

J’espère que cela t’aidera,

Bon travail,

Simol