Joseph Larmarange

Un même objet biographique sous l'angle de plusieurs approches méthodologiques

Joseph LARMARANGE — 2018-10-19T14:03:53Z

Communication orale présentée le 18 octobre 2018 à Paris dans le cadre du colloque Parcours de vie et santé : apports des méthodes biographiques en santé publique.
L'ensemble des analyses et le code correspondant est disponible sur http://larmarange.github.io/analyse-R/trajectoires-de-soins.html Référence
Larmarange Joseph (2018) « Un même objet biographique sous l'angle de plusieurs approches méthodologiques » (communication orale), présenté à Parcours de vie et santé : apports des (…)

- Communications / Méthodologie, Mesure des indicateurs, Accès aux soins, Représentativité et Biais, Régression logistique, Démographie, Programmation / Code, Analyse de séquences, Classification hiérarchique, Cascade des soins, Approches biographiques

Représenter les coefficients d'un modèle avec ggplot2

Joseph LARMARANGE — 2016-06-06T10:04:38Z

Le packge GGally qui fournit plusieurs fonctions permettant de réaliser certains graphiques particuliers avec ggplot2 vien de se doter d'une fonction ggcoef permettant de représenter aisément les coefficients d'un modèle statistique sous forme de graphique.

Pour plus de détails, on pourra se référer à la vignette accompagnant le package.

À noter également, une fonction tidy_detailed fournie dans l'extension JLutils et étendant la fonction tidy du package broom. Voir le chapitre consacré à la régression logistique sur analyse-R.

Calculer les Odds Ratio d'une régression logistique binaire ou multinomiale

Joseph LARMARANGE — 2013-10-29T16:21:40Z

La fonction odds.ratio est maintenant disponible dans le package questionr (à partir de la version 0.3.0).

Lorsque l'on calcule une régression logistique avec glm(), la fonction summary() ne fournit pas directement les odds ratio. Bien que ces derniers soient aisés à calculer (voir http://www.ats.ucla.edu/stat/r/dae/..., il peut être utile d'avoir une fonction les renvoyant directement.

Le constat est presque identique lorsque l'on réalise une régression multinomiale avec multinom() du package nnet. Mais cette fois-ci, les valeurs de p ne sont même pas accessibles via summary() (voir http://www.ats.ucla.edu/stat/r/dae/....

La fonction odds.ratio(), dont le code est visible à https://github.com/juba/questionr/blob/master/R/odds.ratio.r, permet de se faciliter la vie. On peut lui passer soit le résultat d'une régression logistique exécutée avec glm(family=binomial(logit)) soit le résultat d'une régression multinomiale réalisée avec multinom(). Elle affichera les odds ratio, leur intervalles de confiance ainsi que la valeur de p.

On peut préciser la confiance de l'intervalle avec le paramètre level ainsi que le nombre de décimale à afficher pour les odds ratio avec digits.

Estimating effect of non response on HIV prevalence estimates from Demographic and Health Surveys

Joseph LARMARANGE — 2009-06-20T13:41:00Z

Larmarange Joseph, Vallo Roselyne, Yaro Seydou, Msellati Philippe, Méda Nicolas, Ferry Benoît (2009). Estimating effect of non response on HIV prevalence estimates from Demographic and Health Surveys, CEPED's Working Papers, numéro 3, CEPED, Paris (http://ceped.org/wp), RIS, BibTeX.

Abstract

In most countries in Sub‐Saharan Africa, Demographic and Health Surveys (DHS) with HIV testing became the only measure of HIV prevalence in general population. Significant non response rates were often cited to explain differences between DHS results and estimations from sentinel surveillance in antenatal clinics. The objective of this paper consists to predict with multivariate models the prevalence of non tested persons in order to estimate the effect of non response on national HIV prevalence measure.

We used data from 9 DHS, conducted in sub‐Saharan Africa, where HIV results could be linked with data from household and individual questionnaires. Logistic regressions were performed for each country, separately for men and women 15‐49 years old, with a common set of predictor variables. For each group, adjusted prevalence was calculated by using observed prevalence for tested people and estimated probability to be HIV positive for non tested persons.

The non response rates in these 9 studies vary from 7.9% to 39.3%. Estimated prevalence of non tested persons is usually higher than observed prevalence of tested persons (13 groups on 18) Nevertheless, ratios of adjusted prevalence to observed prevalence remain relatively close to 1 (from 0.970 to 1.109). Differences between adjusted and observed prevalence is less than 0.32. A significant negative correlation was found between non‐response rates and ratios of non‐tested to tested, but there is no correlation between ratios of adjusted to observed prevalence and proportions of non‐tested.

The overall effect of non response biases on national HIV estimates tends to be small and remains inferior to sample variations. If adjustments need to be interpreted with caution due to the limited information available to predict the prevalence of non tested people, we can conclude that national population‐based surveys can provide quality and representative national HIV prevalence estimates.

Keywords

HIV Infections, Population surveillance, Health Surveys, Developing Countries, Prevalence Estimates.

Impact des biais de trois Enquêtes Démographiques et de Santé africaines sur l'estimation de la prévalence nationale du VIH

Joseph LARMARANGE — 2008-10-14T17:00:00Z

Communication orale à la 15^e Conférence Internationale sur le Sida et les Infections sexuellement transmissibles en Afrique (CISMA - ICASA en anglais) du 3 au 7 décembre 2008 à Dakar.

Auteurs

J. Larmarange [1], R. Vallo [2], S. Yaro [3], P. Msellati [4], N. Méda [3], B. Ferry [1]

Abstract

Objectif

Depuis 2001, plusieurs enquêtes nationales en population générale avec dépistage du VIH, en particulier des Enquêtes Démographiques et de Santé (EDS), ont été menées en Afrique subsaharienne. Dans certains pays, leurs résultats étaient sensiblement différents de ceux de la surveillance sentinelle en cliniques prénatales. Les taux de non réponse (refus ou absence) des EDS ont souvent été cités pour expliquer ces différences. L'objectif de ce travail vise à estimer l'impact des différents biais de trois EDS (Burkina Faso 2003, Cameroun 2004 et Kenya 2003) sur la prévalence nationale du VIH mesurée.

Méthode

Nous avons eu recours à une modélisation mathématique pour estimer les individus infectés non observables du fait de la fenêtre sérologique des tests de dépistage. Des données de recensement et de l'UNHCR ont permis de prendre en compte les individus hors ménages ordinaires, dont les réfugiés en camps. L'ancienneté des bases de sondage utilisées a été compensée à partir de projections de population. Nous avons posé deux hypothèses simples concernant les ménages éligibles non enquêtés, considérant que leur prévalence était soit double soit moitié moindre. Enfin, la prévalence des individus éligibles mais non testés a pu être estimée à partir de modèles logistiques. Lorsque les données étaient faibles ou insuffisantes, nous avons maximisé l'amplitude des biais.

Résultats

Au Burkina Faso, la prévalence observée est de 1,77 % (IC 95 % : 1,49-2,11) tandis que la prévalence ajustée est de 1,86 % pour l'hypothèse haute et 1,82 % pour l'hypothèse basse. Elles sont respectivement de 5,44 % (5,00-5,91), 5,84 % et 5,43 % au Cameroun, 6,88 % (6,27-7,54), 7,16 % et 6,55 % au Kenya. Pour les trois EDS, la prévalence ajustée est située au sein de l'intervalle de confiance à 95 % de la prévalence observée, et même au sein de l'intervalle de confiance à 75 % (excepté l'hypothèse haute au Cameroun).

Conclusion

Les résultats des EDS constituent de bons indicateurs du niveau de la prévalence nationale du VIH parmi les adultes en population générale. L'impact des différentes sources de biais reste limité, inférieur aux erreurs d'échantillonnage. L'approche d'ONUSIDA consistant à estimer le niveau des épidémies à partir d'enquêtes en population générale s'avère pertinente.

[1] IRD – CEPED UMR 196 Paris Descartes INED IRD, Paris, France

[2] Université de Montpellier I – EA 4205, Montpellier, France

[3] Centre Muraz, Bobo-Dioulasso, Burkina Faso

[4] IRD – UMR 145, Marseille, France

Estimating effect of non response on HIV prevalence estimates with DHS data

Joseph LARMARANGE — 2007-05-03T09:28:22Z

8th AIDS Impact conference, Marseille, 1-4 juillet 2007

Authors

Joseph LARMARANGE, Roselyne VALLO, Seydou YARO, Philippe MSELLATI, Nicolas MÉDA, Benoît FERRY.

Abstract

Aim

In most countries in Sub-Saharan Africa, Demographic and Health Surveys (DHS) with HIV testing became the only measure of HIV prevalence in general population. Significant non response rate were often cited to explain differences between DHS results and estimations from sentinel surveillance in antenatal clinics. The objective of this presentation consists to predict with multivariate models the prevalence of non tested persons in order to estimate the effect of non response on national estimates.

Method / Issue

We used data from 9 DHS surveys (Burkina Faso 2003, Cameroon 2004, Ethiopia 2005, Ghana 2003, Kenya 2003, Lesotho 2004, Malawi 2004, Senegal 2005 and Tanzanie 2003) where HIV results could be linked with data from household and individual questionnaires. Logistic regression were calculated for each country, separately for men and women 15-49 years old, with common predictor variables : region, place of residence, age group, education, wealth index, marital status, work status, having radio or television, age at first sexual intercourse, recent sexual activities, using condom at last sexual intercourse, number of partners in last 12 months, smoking, STI in last 12 months, female and male circumcision and willing to care for relative with AIDS. For each group, adjusted prevalence was calculated by using observed prevalence for tested people and estimated prevalence for non tested people.

Results / Comments

The non response rates in these 9 studies vary from 7.9% to 34.2%. Estimated prevalence of non tested persons is usually higher than observed prevalence of tested persons : in 15 groups on 18, the ratio exceeds 1 (it vary from 0.820 to 2.424). Nevertheless, ratios of adjusted prevalence to observed prevalence remain relatively small (from 0.956 to 1.251). Except for men in Lesotho and women in Malawi, differences between adjusted and observed prevalence is less than 0.5 points. In both cases, number of tested persons was small (less than 3'000). No relation was found between non response rate and ratio of non tested to tested or ratio of adjusted prevalence to observed prevalence. Nevertheless, highest ratio of adjusted prevalence to observed prevalence were found for groups with smallest prevalence (<3%). But this effect is probably a consequence of a small statistical power.

Discussion

If differences between adjusted and observed prevalence are more important than in a precedent survey conducted by Mishra et al. in 2006 on 5 DHS, the overall effect of non response bias on national HIV estimates tend to be small. Adjustments need to be interpreted with caution due to the limited information available to predict the prevalence of non tested people, in particular for people who did not answer the individual questionnaire and for whom only household questionnaire data were used.