1 Donnees

On a à la base 84 T et 85 BL (on a enlevé les 22 intermédiaires), dont respectivement 45 T et 44 BL ont les résultats du multimorphe. On avait donc 89 personnes ayant répondu au MM.

73 ont répondu au MM et avaient moins de 4 valeurs manquantes sur les autres variables nécessaires pour les modèles. C’est à dire les variables composant le score abandon :

PBI_soin_Mere , PBI_soin_Pere , CTQ_EN , CTQ_PN

et les variables composant le score intrusion :

PBI_control Pere , PBI control mere , CTQ_EA , CTQ_SA , CTQ_PA

On a imputé les quelques valeurs manquantes pour toutes ces variables, dans la mesure où la personne avait moins de 5 échelles manquantes. La méthode d’imputation est surement perfectible, mais pas sûr que ca change grand chose pour la suite.

Les scores Abandon et Intrusion utilisés ici ne sont pas les simples sommes , mais bien les première dimensions des ACPs faites à partir des “paniers” de variables présentés ci dessus. LEs résultats de ces ACP sont dans l’autre document Rpub en ligne.

1.1 CSP

on a importé les CSP données par Marion : 3 classes : 1(professions supérieures) , 2 (profession intermédiaires), 3 (retraité et chomage) On avait seulement 8 personnes dans la 3eme catégorie, on l’a regroupé avec la 2.

1.2 Imputation et ACPS

On utilise le package missMDA (http://factominer.free.fr/missMDA/index_fr.html) pour imputer les données de façon à ce que les résultats des ACP soient inchangées par les imputations.

NB: ressources pour imputation (https://francoishusson.wordpress.com/2017/08/05/can-we-believe-in-the-imputations/)

Voilà les variables que l’on garde : age“,”sexe“,”CSP_bin2“,”borderline“,”Evt_TS“,”Evt_Maladie“,”Evt_Separations“,”PBI_soin_Mere“,”PBI_soin_Pere“,”PBI_surpro_Mere“,”PBI_surpro_Pere“,”CTQ_EA“,”CTQ_PA“,”CTQ_SA“,”CTQ_EN“,”CTQ_PN".

On enlèves les individus qui ont 5+ valeurs manquantes dans ce set de variables. On impute les valeurs de ceux pour lesquels il manque au maximum 4 valeurs.

1.3 correlations

Table 1.1: Correlations sur echantillon Total
variable 1 variable 2 coeff de correlation p-value N
MM_Delai Dim.Abandon 0.19 0.0979 74
MM_Delai Dim.Intrusion 0.19 0.1005 74
MM_Succes Dim.Abandon 0.0025 0.9833 74
MM_Succes Dim.Intrusion -0.38 0.0008 74
Table 1.1: Correlations sur BL
variable 1 variable 2 coeff de correlation p-value N
MM_Delai Dim.Abandon -0.13 0.5070 30
MM_Delai Dim.Intrusion 0.11 0.5684 30
MM_Succes Dim.Abandon 0.056 0.7708 30
MM_Succes Dim.Intrusion -0.6 0.0005 30
Table 1.1: Correlations sur T
variable 1 variable 2 coeff de correlation p-value N
MM_Delai Dim.Abandon 0.3 0.0483 44
MM_Delai Dim.Intrusion 0.081 0.6021 44
MM_Succes Dim.Abandon 0.097 0.5309 44
MM_Succes Dim.Intrusion -0.065 0.6749 44

2 MM et abandon/intrusion

2.1 Modeles

Essais :

CHOIX FINAL : Evt_TS est sorti de Dim.abandon.

Voici le modèle final (modèle de régression linéaire ) modélisant le % de Succès au MM :


Call:
lm(formula = MM_Succes ~ age + sexe + CSP_bin2 + Dim.Intrusion + 
    Dim.Abandon * borderline, data = DBi)

Residuals:
      Min        1Q    Median        3Q       Max 
-0.124417 -0.054175  0.007076  0.049959  0.108310 

Coefficients:
                         Estimate Std. Error t value Pr(>|t|)    
(Intercept)             0.4974329  0.1173418   4.239 7.13e-05 ***
age                     0.0186292  0.0075183   2.478  0.01578 *  
sexe                    0.0567940  0.0246320   2.306  0.02428 *  
CSP_bin2                0.0006685  0.0186506   0.036  0.97151    
Dim.Intrusion          -0.0304188  0.0065623  -4.635 1.73e-05 ***
Dim.Abandon             0.0311479  0.0104626   2.977  0.00407 ** 
borderline             -0.0175792  0.0212958  -0.825  0.41208    
Dim.Abandon:borderline -0.0267190  0.0132559  -2.016  0.04791 *  
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 0.06547 on 66 degrees of freedom
Multiple R-squared:  0.3787,    Adjusted R-squared:  0.3128 
F-statistic: 5.746 on 7 and 66 DF,  p-value: 3.229e-05

Voici le modèle final (modèle de régression linéaire ) modélisant le Délai au MM :


Call:
lm(formula = MM_Delai ~ age + sexe + CSP_bin2 + Dim.Intrusion + 
    Dim.Abandon * borderline, data = DBi)

Residuals:
     Min       1Q   Median       3Q      Max 
-11.4668  -3.0645  -0.1869   3.5067  11.8343 

Coefficients:
                        Estimate Std. Error t value Pr(>|t|)    
(Intercept)            38.621209   8.658955   4.460 3.26e-05 ***
age                    -0.557384   0.554798  -1.005 0.318729    
sexe                   -2.045210   1.817661  -1.125 0.264585    
CSP_bin2                4.969422   1.376278   3.611 0.000589 ***
Dim.Intrusion           0.006142   0.484252   0.013 0.989918    
Dim.Abandon             1.099468   0.772060   1.424 0.159137    
borderline              2.766661   1.571476   1.761 0.082947 .  
Dim.Abandon:borderline -1.661321   0.978186  -1.698 0.094148 .  
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 4.831 on 66 degrees of freedom
Multiple R-squared:  0.266, Adjusted R-squared:  0.1881 
F-statistic: 3.416 on 7 and 66 DF,  p-value: 0.003553

3 RESTE A FAIRE

  • Vérifier sensibilité de l’imputation : on impute à partir du jeu de variable sélectionnées pour les Dimensions Abandon et intrusion. Quand on ajoute ou enlève une variable, on va donc changer l’échantillon de personnes ayant + ou - de 5 valeurs manquantes, donc les personnes enlevées, ainsi que les personnes imputées.

  • Essayer de faire tourner les modèles sur le jeu de données NON imputé.