Consommation des antibiotiques
Modélisations de la consommation d’antibiotiques
Lors de la présentation des résultats des modèles, nous adopterons les notations suivantes : Case noire : variable non incluse dans la liste des facteurs potentiels. Il peut s’agir du score de biosécurité dont on rappelle que c’est une variable construite, on souhaite donc comparer les résultats avec et sans cette variable. Peuvent être également exclues les variables qualitatives dont le nombre d’observations par croisement avec les groupes faibles/forts consommateurs est inférieur à 5 ; Case vide : variable incluse dans la liste de facteurs potentiels mais non sélectionnée par la procédure step forward AIC. Cette procédure de sélection de variables itérative basée sur la log-vraisemblance permet de retenir le modèle le plus parcimonieux (c’est-à-dire celui avec le maximum d’informations pour un nombre de variables minimal) parmi plusieurs modèles comparables. L’AIC du modèle nul (avec seulement un intercept) est calculé2 et comparé à l’AIC du modèle nul + 1 facteur pour chaque facteur potentiel. Si l’AIC du modèle nul est minimal, aucune variable n’est ajoutée au modèle, sinon le facteur qui donne le plus faible AIC est ajouté au modèle. La procédure est réitérée jusqu’à ce que l’AIC n’augmente plus ; Visualisation de la significativité des coefficients : *** indique une p-value inférieure à 0,001 ; ** indique une p-value inférieure à 1% ; * indique une p-value inférieure à 5% ; ° indique une p-value inférieure à 10%, et . indique une p-value inférieure à 15% ; Les nombres entre parenthèses sous les coefficients dans les tableaux représentent les écart-types.De la même manière que lors des analyses univariées, nous avons considéré les indicateurs comme variables continues ou variables binaires faibles/forts consommateurs.
Modélisations des indicateurs comme variables quantitatives
Pour chaque indicateur, nous avons modélisé trois types de distributions à l’aide de modèles linéaires généralisés : distribution normale, distribution exponentielle et distribution gamma. La distribution gamma a été abandonnée et ne sera pas présentée ici car les résultats semblaient moins pertinents qu’avec la distribution exponentielle qui en est un cas particulier.
La régression linéaire normale a été modélisée pour comparer les facteurs influents avec le modèle exponentiel, plus adapté à la distribution des indicateurs, qui ne suit pas une loi normale. Puisque les valeurs nulles ne sont pas acceptées dans le modèle exponentiel, nous avons supprimé les non consommateurs pour la modélisation des indicateurs comme variables continues.Dans le cas de la distribution normale, on modélise l’espérance de l’indicateur comme combinaison linéaire de différents facteurs : E(Y|XB) = XB. Dans le cas de la distribution exponentielle, c’est le logarithme de l’espérance de l’indicateur qui est fonction d’une combinaison linéaire des facteurs : ln(E(Y|XB)) = XB (ou E(Y|XB) = exp(XB)) avec x le vecteur des facteurs et B le vecteur des coefficients à estimer.
Guide du mémoire de fin d’études avec la catégorie la consommation d’antibiotiques |
Étudiant en université, dans une école supérieur ou d’ingénieur, et que vous cherchez des ressources pédagogiques entièrement gratuites, il est jamais trop tard pour commencer à apprendre et consulter une liste des projets proposées cette année, vous trouverez ici des centaines de rapports pfe spécialement conçu pour vous aider à rédiger votre rapport de stage, vous prouvez les télécharger librement en divers formats (DOC, RAR, PDF).. Tout ce que vous devez faire est de télécharger le pfe et ouvrir le fichier PDF ou DOC. Ce rapport complet, pour aider les autres étudiants dans leurs propres travaux, est classé dans la catégorie Analyse avec une dichotomie des élevages en faibles/forts consommateurs où vous pouvez trouver aussi quelques autres mémoires de fin d’études similaires.
|
Table des matières
Liste des abréviations
Table des illustrations
Introduction
1. Le suivi des antibiotiques dans le monde et en France : état des lieux et perspectives d’avenir
1.1. Consommation des antibiotiques : rappels historiques
1.1.1. De la découverte des antibiotiques
1.1.2.A la découverte de l’antibiorésistance
1.1.3. Médecines vétérinaire et humaine : deux mondes interconnectés
1.1.4. Les réponses apportées en médecine vétérinaire en France : le plan Ecoantibio 2017 et le plan Ecoantibio 2
1.2. Suivre la consommation d’antibiotiques
1.2.1. Collecter les données quant à la consommation d’antibiotiques
1.2.2. Monitoring continu et enquêtes épidémiologiques
1.3. Les indicateurs de consommation d’antibiotiques : comment s’y retrouver ?
1.3.1. Présentation des différents indicateurs et relations entre eux
1.3.2. Avantages et limites de chaque indicateur
1.3.3. Choix des variables lors du calcul d’indicateurs
1.4. Synthèse du suivi de la consommation des antibiotiques au sein de la filière porcine française
1.4.1. Suivi des ventes par l’ANSES
1.4.2. Enquêtes épidémiologiques à l’aide du panel INAPORC
2. Matériel et méthode
2.1. Constitution de l’échantillon
2.2. Collecte des données
2.3. Analyse statistique
3. Analyse descriptive
3.1. Description de l’échantillon
3.1.1. Caractéristiques des éleveurs du Sud-Ouest
3.1.2. Taille des élevages du Sud-Ouest
3.1.3. Caractéristiques économiques
3.1.4. Conduite d’élevage et du post-sevrage
3.1.5. Santé et biosécurité
3.1.6. Conduite en maternité
3.1.7. Bâtiments de post-sevrage
3.1.8. Alimentation et abreuvement
3.2. Analyse descriptives des indicateurs de consommation d‘antibiotiques
3.3. Analyse descriptive des facteurs de risque potentiels
3.3.1. Variables explicatives binaires
3.3.2. Variables explicatives continues
3.4. Analyses univariées de chaque facteur avec chaque indicateur
3.4.1. Analyse avec les indicateurs considérés comme des variables continues
3.4.2. Analyse avec une dichotomie des élevages en faibles/forts consommateurs
4. Modélisations de la consommation d’antibiotiques
4.1. Modélisations des indicateurs comme variables quantitatives
4.1.1. Indicateur quantitatif nCDPS-UDD
4.1.2. Indicateurs quantitatifs nDDPS-UDD et TIPS-UDD
4.1.3. Indicateur quantitatif ALEAPS-UDD
4.2. Modélisations des indicateurs comme variables binaires faibles/forts consommateurs
4.2.1. Indicateur qualitatif nCDPS-UDD
4.2.2. Indicateur qualitatif nDDPS-UDD
4.2.3. Indicateur qualitatif TIPS-UDD
4.2.4. Indicateur qualitatif ALEAPS-UDD
4.3. Bilan des modèles
4.3.1. Indicateurs quantitatifs
4.3.2. Indicateurs qualitatifs
5. Discussion
5.1. Constitution de l’échantillon et date de réalisation de l’étude
5.2. La variable score_biosecurite
5.3. Choix de l’indicateur de consommation d’antibiotiques
5.4. Facteurs influenant la consommation d’antibiotiques
Conclusion
Bibliographie
Annexes
Télécharger le rapport complet