3240963025

80

permettront des moyennes therapeutiąues plus efficaces. Malheureusement, cet objec-tif est difficile a atteindre avec 1’analyse univariee qui ne prend pas en consideration la correlation entre les caracteres. L’approche PCH de Klei peut repondre a cette reąuete. Dans le prochain scenario de simulation, nous allons evaluer Palgorithine Knijnenburg et al. (2009) dans 1’approche PCH_g.

4.2.2    PCHg et Palgorithme de Knijnenburg et al. (2009)

On appliąue Talgorithine de PCH_g dans le modele genere comme decrit dans 4.1.1 ou le niveau de correlation fixe a 0.2 avec des estimations des p-valeurs d’une part par ECDF, et d’autre part par 1’algorithme de Knijnenburg et al. (2009) (voir chapitre 3 Section 3.2).

Les resultats sont donnes dans la figurę 4.4. Les differences entre les deux courbes representent le choix de 1’algorithme d’utiliser la distribution de Pareto generadisee au lieu de la fonction de distribution cumulative empiriąue (ECDF) pour estimer les p-valeurs lorsąue le nombre de valeurs permutees qui excedent la statistique observee du test est inferieur a 10. Cette implementation de 1’algorithme de Knijnenburg et al. (2009) a l’avantage de bien contróler Terreur de type 1. Dorenavant, 1’algorithme Knijnenburg et al. (2009) sera utilise dans les deux approches dans ce qui suit.

4.2.3    Comparaison de Tapproche PCH_g avec Tapproche de Klei et al. (2008)

Afin de valider le modele d’analyse simultanee de plusieurs SNPs, nous supposons premi^rement un modele d’analyse avec des SNPs non correles (notę Ml), et deuxie-mement un modele d’analyse avec des SNPs correles (notę M2). Un echantillon de