Modèles de survie en R

Durée de grèves et cycle économique

Pierre Beaucoral

2026-11-12

Code
knitr::opts_chunk$set(fig.width = 7, fig.height = 4, fig.align = "center")

library(survival)
library(AER)      # StrikeDuration
library(dplyr)
library(ggplot2)

if (requireNamespace("survminer", quietly = TRUE)) {
  library(survminer)
}

# -------------------------
# Données brutes de grève
# -------------------------
data("StrikeDuration")
strikes_raw <- StrikeDuration

# Construction d'un jeu de données pour le TD
# - on crée une censure artificielle à 200 jours
# - on construit 2 versions catégorielles du choc d'activité
strikes <- strikes_raw |>
  mutate(
    # variable de durée
    time   = pmin(duration, 200),
    status = ifelse(duration > 200, 0, 1),  # 1 = fin de grève observée au plus tard au jour 200, 0 = censuré à 200

    # choc d'activité non anticipé (déjà continu) :
    #   uoutput > 0 -> cycle favorable ; < 0 -> cycle défavorable
    uoutput_sign = case_when(
      uoutput < 0  ~ "Cycle défavorable",
      uoutput == 0 ~ "Cycle neutre",
      uoutput > 0  ~ "Cycle favorable"
    ),

    # version en 3 classes par terciles (plutôt pour les KM)
    uoutput_q = cut(
      uoutput,
      breaks = quantile(uoutput, probs = c(0, .33, .66, 1), na.rm = TRUE),
      labels = c("Choc faible", "Choc moyen", "Choc fort"),
      include.lowest = TRUE
    )
  )

# Objet de survie pour les grèves (avec censure artificielle à 200 jours)
S_strikes <- Surv(time = strikes$time, event = strikes$status)

# Mise en forme des nombres cités dans le texte (virgule décimale)
fmt <- function(x, d = 2) {
  formatC(as.numeric(x), format = "f", digits = d,
          decimal.mark = ",", big.mark = " ")
}
fp <- function(p) ifelse(p < 0.001, "< 0,001", fmt(p, 3))

1 Notions de base & censure

1.1 Données de durée de vie

  • On s’intéresse à une durée \(T\) (positive) :
    • durée d’une grève
    • durée de chômage
    • durée de séjour à l’hôpital, etc.
  • Pour chaque unité (grève) \(i = 1,\dots,n\) :
    • \(t_i\) : durée observée
    • \(\delta_i\) : indicatrice d’événement
      • \(\delta_i = 1\) si l’événement est observé (fin de grève avant la date limite)
      • \(\delta_i = 0\) si la durée est censurée (on sait juste que la grève dure au moins jusqu’à \(t_i\))

En R, on encode \((t_i, \delta_i)\) avec Surv().

1.2 Fonctions de survie & de risque

  • Fonction de survie : \[S(t) = \Pr(T > t)\]
    Probabilité que la grève soit encore en cours à la date \(t\).

  • Fonction de répartition : \[F(t) = \Pr(T \le t) = 1 - S(t)\]

  • Fonction de risque (hazard) : \[h(t) = \lim_{\Delta t \to 0} \frac{\Pr(t \le T < t + \Delta t \mid T \ge t)}{\Delta t}\]

    → taux instantané de fin de grève juste après \(t\), sachant qu’elle durait encore à \(t\) (\(h(t)\,\Delta t \approx\) probabilité de finir entre \(t\) et \(t + \Delta t\) ; \(h\) n’est pas une probabilité).

1.3 Lien \(S(t)\) – \(h(t)\)

  • En continu, on a : \[S(t) = \exp\left(-\int_0^t h(u)\,du\right)\]
  • Cas simple : risque constant \(h(t) = \lambda\)
    → \(S(t) = \exp(-\lambda t)\) (modèle exponentiel)

1.4 Censure à droite

  • On ne connaît pas toujours la date exacte de fin :
    • fin de la période d’observation alors que la grève continue
    • base administrative clôturée alors que des grèves sont encore en cours (c’est de la censure, pas de la troncature : la grève est dans les données, on ne connaît qu’une borne inférieure)
  • On observe alors :
    • \(t_i = \min(T_i, C_i)\)
    • \(\delta_i = \mathbb{1}(T_i \le C_i)\)
  • Hypothèse clé : censure non informative
    → le mécanisme de censure est indépendant de la durée sous-jacente, conditionnellement aux covariables.

1.5 Censure à droite – Rappel R

Code
# Objet de survie pour les grèves (avec censure artificielle à 200 jours)
S_strikes <- Surv(time = strikes$time, event = strikes$status)
head(S_strikes)

2 Kaplan–Meier & log-rank dans R

2.1 Estimateur Kaplan–Meier

  • But : estimer \(S(t)\) sans paramètre (non paramétrique)
  • On empile les durées ordonnées où surviennent des événements :
    • à chaque temps \(t_j\), on observe \(d_j\) événements parmi \(n_j\) grèves encore en cours.
  • Estimateur : \[\hat S(t) = \prod_{t_j \le t} \left(1 - \frac{d_j}{n_j}\right)\]

2.2 Kaplan–Meier en R

Code
km_all <- survfit(S_strikes ~ 1, data = strikes)
km_all
Code
plot(km_all, xlab = "Durée de grève (jours)", ylab = "Probabilité de grève encore en cours")

Ou avec {survminer} :

Code
if (requireNamespace("survminer", quietly = TRUE)) {
  ggsurvplot(km_all, conf.int = TRUE,
             xlab = "Durée de grève (jours)",
             ylab = "Probabilité de grève en cours")
}

2.3 Kaplan–Meier par groupes

On veut comparer la durée des grèves selon le choc d’activité :

Code
km_cycle <- survfit(S_strikes ~ uoutput_q, data = strikes)
summary(km_cycle)
Code
if (requireNamespace("survminer", quietly = TRUE)) {
  ggsurvplot(km_cycle, data = strikes,
             conf.int = FALSE,
             legend.title = "Choc d'activité",
             legend.labs  = levels(strikes$uoutput_q),
             xlab = "Durée de grève (jours)",
             ylab = "Probabilité de grève en cours")
}

2.4 Test du log-rank

  • Hypothèse nulle \(H_0\) : même fonction de survie dans tous les groupes
  • Statistique de test \(\chi^2\) :
    • compare, à chaque temps \(t_j\), les événements observés vs attendus dans chaque groupe.

En R :

Code
survdiff(S_strikes ~ uoutput_q, data = strikes)
  • Sous \(H_0\), la statistique suit approximativement une loi du \(\chi^2\) à \(G - 1\) degrés de liberté ; on rejette \(H_0\) au seuil de 5 % si la p-valeur est inférieure à 0,05.
  • L’interprétation de cette sortie est l’objet de l’exercice 4.

3 Modèle de Cox

3.1 Modèle de Cox – rappel

  • Modèle des risques proportionnels : \[h_i(t) = h_0(t)\,\exp(\beta_1 x_{i1} + \dots + \beta_p x_{ip})\]

  • \(h_0(t)\) : risque de base (baseline hazard), fonction de risque de référence, non paramétrique

  • Interprétation des coefficients :

    • \(\exp(\beta_k)\) = rapport de risques instantanés (hazard ratio, HR) pour un accroissement d’une unité de \(x_k\)

    • \(> 1\) : grèves plus « rapides » à se terminer (durée plus courte)

    • \(< 1\) : grèves plus longues

3.2 Cox en R – un seul prédicteur

Code
cox_uoutput <- coxph(S_strikes ~ uoutput, data = strikes)
summary(cox_uoutput)
  • coef : estimateur de \(\beta\)
  • exp(coef) : hazard ratio
  • coxph estime \(\beta\) par maximisation de la vraisemblance partielle.

3.3 Cox en R – plusieurs prédicteurs

On peut enrichir avec une version catégorielle du choc :

Code
cox_multi <- coxph(S_strikes ~ uoutput + uoutput_q, data = strikes)
summary(cox_multi)

On comparera les modèles (quanti vs quali) plus tard, dans les exercices, via AIC et tests de rapport de vraisemblance.

3.4 Vérifier l’hypothèse de risques proportionnels

Test « graphique » : courbes de log(-log(S(t))) par groupe.
Si les risques sont proportionnels, les courbes devraient être à peu près parallèles.

Code
if (requireNamespace("survminer", quietly = TRUE)) {
  ggsurvplot(
    survfit(S_strikes ~ uoutput_q, data = strikes),
    fun = "cloglog",    # log(-log(S))
    palette      = c("#0072B2", "#009E73", "#D55E00"),
    linetype     = "strata",
    legend.title = "Choc d'activité",
    legend.labs  = levels(strikes$uoutput_q),
    xlab = "Durée de grève (jours, échelle logarithmique)",
    ylab = "log(-log(S(t)))"
  )
}

3.5 Test de Schoenfeld

En pratique, on utilise souvent les résidus de Schoenfeld :

Code
cox_zph <- cox.zph(cox_uoutput)
cox_zph
plot(cox_zph)
  • \(H_0\) : risques proportionnels (l’effet de la variable ne varie pas avec le temps). p-valeur petite → violation possible.
  • L’application aux données du TD est l’objet de l’exercice 5.

4 Modèles paramétriques

4.1 Weibull en risques proportionnels

  • Cas où : \[h(t) = \lambda p t^{p-1}\]
  • Si \(p=1\) → modèle exponentiel
  • Dans un cadre PH avec covariables : \[h_i(t) = \lambda p t^{p-1} \exp(\beta^\top x_i)\]

Intérêt ? Plus d’efficacité si la forme est à peu près correcte :

  • Si cette forme est raisonnablement proche de la réalité :

    • estimation des \(\beta\) plus précise (variance plus faible),

    • meilleure performance en petits échantillons,

    • courbes de survie plus lisses, moins « en escalier » que Kaplan–Meier.

En R :

Code
weib_ph <- survreg(S_strikes ~ uoutput, data = strikes, dist = "weibull")
summary(weib_ph)

Attention : survreg utilise la paramétrisation AFT \(\log T_i = \alpha + \gamma x_i + \sigma W_i\). Retour à l’écriture PH : forme \(p = 1/\sigma\), coefficient \(\beta = -\gamma/\sigma\).

4.2 Modèles AFT (Accelerated Failure Time)

  • On suppose : \[\log T_i = \alpha + \gamma^\top x_i + \sigma W_i\] (\(\gamma\) : coefficients AFT, \(\sigma\) : paramètre d’échelle)
  • Selon la loi de \(W_i\), on obtient différents modèles :
    • normale → log-normal
    • logistique → log-logistique
    • valeurs extrêmes (minimum, « Gumbel ») → Weibull ; avec \(\sigma = 1\) → exponentiel
  • \(\gamma_k < 0\) : la variable raccourcit les durées ; \(\exp(\gamma_k)\) = rapport de durées (time ratio)

En R, toujours via survreg() :

Code
aft_lognormal   <- survreg(S_strikes ~ uoutput, data = strikes, dist = "lognormal")
aft_loglogistic <- survreg(S_strikes ~ uoutput, data = strikes, dist = "loglogistic")
summary(aft_lognormal)
summary(aft_loglogistic)

5 Application : durée de grèves

5.1 Jeu de données StrikeDuration

  • Données issues de Kennan (1985), « The Duration of Contract Strikes in U.S. Manufacturing », Journal of Econometrics.
  • 62 grèves dans l’industrie manufacturière US (1968–1976).
  • Variables :
    • duration : durée de la grève (jours)
    • uoutput : choc d’activité non anticipé (mesure macro, liée à la conjoncture)
Code
summary(strikes_raw)

5.2 Construction des variables de TD

  • On introduit :

    • une censure artificielle à 200 jours ;
    Code
    summary(strikes)
  • deux codes pour le choc d’activité :

    • uoutput_sign : défavorable / favorable
    Code
    table(strikes$uoutput_sign)
    • uoutput_q : choc faible / moyen / fort (terciles)
Code
table(strikes$uoutput_q)

6 Énoncé : aperçu des exercices 1 à 5

Exercices 1 à 5 : présentation

On considère les 62 grèves de la base StrikeDuration, avec la durée censurée à 200 jours et les deux codages de la conjoncture (uoutput_sign, uoutput_q) construits plus haut.

Les diapositives suivantes reproduisent l’énoncé des exercices 1 à 5 (analyse descriptive). L’énoncé complet, exercices 1 à 12 (modèle de Cox, modèles paramétriques, interprétation économique), est ici : énoncé complet du TD 4.

Exercice 1 – Correspondance entre codages du cycle

On construit :

  • uoutput_sign : 2 modalités (cycle défavorable, favorable)
  • uoutput_q : 3 modalités (choc faible, moyen, fort, par terciles)
  1. Donner la table de contingence entre ces deux codages.
  2. Calculer les proportions par ligne.
  3. Commentez : les deux « échelles » du cycle sont-elles cohérentes ?

Indication R :

Indice : commencer par construire un tableau de contingence avec table(uoutput_sign, uoutput_q), puis utiliser prop.table(..., margin = 1) pour obtenir les proportions par ligne.

Exercice 2 – Corrélations entre variables explicatives

On considère comme variables explicatives potentielles :

  • uoutput (continu)
  • uoutput_q_num : version numérique de uoutput_q (1 = faible, 2 = moyen, 3 = fort)
  1. Construire la matrice de corrélation entre ces deux variables.
  2. Commentez : la version catégorielle apporte-t-elle une information réellement nouvelle ?

Indication R :

utiliser la commande cor()

Exercice 3 – Courbes de survie brutes

On trace les courbes de survie Kaplan–Meier de la durée de grève selon uoutput_q.

  1. Représenter graphiquement les courbes \(\hat S(t)\) pour chacun des trois niveaux de choc.
  2. Commentez : que constate-t-on sur les différences de durée de grève selon le choc d’activité ?

Indication R :

Commencez par créer l’objet de survie avec Surv(time, status), puis estimez un Kaplan–Meier par groupe avec survfit(Surv_obj ~ uoutput_q, data = …). Utilisez ensuite plot() pour tracer les courbes et legend() pour afficher les trois niveaux de choc.

Exercice 4 – Test du log-rank

On souhaite tester l’effet global de uoutput_q sur la durée de grève à l’aide d’un test du log-rank.

  1. Écrire précisément les hypothèses \(H_0\) et \(H_1\).
  2. Calculer la statistique du test et la p-valeur.
  3. Conclure au seuil de 5 % sur l’effet global du choc d’activité.

Indication R :

Utilisez la fonction survdiff(Surv(time, status) ~ uoutput_q, data = ...) pour réaliser le test du log-rank. La sortie vous donne la statistique de type \(\chi^2\), les degrés de liberté et la p-valeur, à interpréter pour conclure au seuil de 5 %.

Exercice 5 – Vérification graphique de l’hypothèse de risques proportionnels

On trace les courbes de \(\log(-\log(\hat S(t)))\) par niveau de uoutput_q.

  1. Les courbes semblent-elles approximativement parallèles ?
  2. Que suggère ce résultat sur la plausibilité du modèle de Cox avec cette variable ?

Indication R :

Utilisez ggsurvplot() du package survminer en lui passant un objet survfit(Surv(...) ~ uoutput_q, ...) et l’argument fun = "cloglog" pour obtenir les courbes de \(\log(-\log(\hat S(t)))\) par groupe, puis regardez si elles sont à peu près parallèles.

Corrections après la séance

La correction détaillée (code, sorties R et interprétations) sera mise en ligne après la séance de TD.

En attendant, travaillez à partir de l’énoncé (énoncé complet).