GLM - GEE - GLMM Modèles de régression pour variables réponses discrètes et continues asymétriques
|
|
- Jean Guertin
- il y a 6 ans
- Total affichages :
Transcription
1 GLM - GEE - GLMM Modèles de régression pour variables réponses discrètes et continues asymétriques Eva Cantoni Department of Econometrics University of Geneva Eva.Cantoni@unige.ch Eva Cantoni Colloque d Epidémiologie Clinique et Biostatistique (HUG) - 9 juin / 28
2 Sommaire Sommaire Jeux de données et leur nature (1) Jeux de données et leur nature (2) Jeux de données et leur nature (3) Limitations du modèle linéaire Jeux de données et leur nature : réponses binaires, comptages, réponses positives. (GLM) pour réponses indépendantes Exemples Extension aux données Exemple Eva Cantoni Colloque d Epidémiologie Clinique et Biostatistique (HUG) - 9 juin / 28
3 Sommaire Jeux de données et leur nature (1) Jeux de données et leur nature (2) Jeux de données et leur nature (3) Limitations du modèle linéaire Variables réponses Y 1,...,Y n indépendantes continues, covariées x i = (1,x i1,...,x ip ) T. Modèle : Y i = β 0 + β 1 x i β p x ip + ǫ i = x T i β + ǫ i Hypothèses : ǫ i suit une distribution continue avec E(ǫ i ) = 0 et V ar(ǫ i ) = σ 2 (ou ǫ i N(0,σ 2 )). Estimation : par maximum de vraisemblance ou moindres carrés (revient au même si hypothèse de normalité). Inférence basée sur la vraisemblance (distribution asymptotique de l estimateur, differentes statistiques de test). Eva Cantoni Colloque d Epidémiologie Clinique et Biostatistique (HUG) - 9 juin / 28
4 Jeux de données et leur nature (1) Sommaire Jeux de données et leur nature (1) Jeux de données et leur nature (2) Jeux de données et leur nature (3) Limitations du modèle linéaire CARDIA study (Coronary Artery Risk Development in young Adults) Réf. : Preisser, Galecki, Lohman and Wagenknecht (2000) Analysis of smoking trends with incomplete longitudinal binary responses, JASA (http ://lib.stat.cmu.edu/) individus (18-30 ans) mesurés sur 4 vagues : 1986, 1988, 1991 et Variable réponse : ne fume pas (0) / fume (1) (binomiale). Covariées : age cohorte de naissance ( , ) niveau d éducation (high school or less, some college, college degree) race-sexe (hommes noirs, femmes noires, hommes blancs, femmes blanches) Eva Cantoni Colloque d Epidémiologie Clinique et Biostatistique (HUG) - 9 juin / 28
5 Jeux de données et leur nature (2) Sommaire Jeux de données et leur nature (1) Jeux de données et leur nature (2) Jeux de données et leur nature (3) Limitations du modèle linéaire NMMAPS : National Morbidity, Mortality and Air Pollution Study Database ( ) (Réf. : http :// pour 88 grandes villes des Etats Unis. Variable réponse : nombre de morts par jour (Poisson). Covariées : particules fines en mg/m 3 (moins de 10 µ de diamètre) (moyenne tronquée (10%) sur toutes les stations de la county ) (pm10tmean) temperature moyenne sur 24 heures (tmean) date (day) temperature à l aube (dptp) jour de la semaine (dow : 1=Sat, 2=Sun,...) Eva Cantoni Colloque d Epidémiologie Clinique et Biostatistique (HUG) - 9 juin / 28
6 Jeux de données et leur nature (3) Sommaire Jeux de données et leur nature (1) Jeux de données et leur nature (2) Jeux de données et leur nature (3) Limitations du modèle linéaire Hospitalisation pour problèmes de dos (APDRG 243) au Centre Hospitalier Universitaire Vaudois (CHUV) à Lausanne en 1999 (Réf. : Marazzi et Yohai (2004) Adaptively truncated maximum likelihood regression with asymmetric errors, Journal of Stat. Planning and Inference.) 100 patients. Variable réponse : coûts d hospitalisation (). Covariées : durée du séjour (LOS, en jour) type d admission (Typadm : 0=planifiée, 1=urgence) type d assurance (TypAss : 0=base, 1=privée) age en année (age) sexe (Sexe : 0=femme, 1=homme) destination (dest : 1=domicile, 0=autre établissement) Eva Cantoni Colloque d Epidémiologie Clinique et Biostatistique (HUG) - 9 juin / 28
7 Limitations du modèle linéaire Sommaire Jeux de données et leur nature (1) Jeux de données et leur nature (2) Jeux de données et leur nature (3) Limitations du modèle linéaire CARDIA : restriction à l intervalle [0, 1], asymétrie. NMMPAS : positif, discret, asymétrie. Coûts hospitaliers : asymétrie, évtl. étalement à droite. Eva Cantoni Colloque d Epidémiologie Clinique et Biostatistique (HUG) - 9 juin / 28
8 généralisé (1) généralisé (1) généralisé (2) binaires Poisson et réponses 1986 (1) 1986 (2) 1986 (3) (n = 1986) (1) (n = 1986) (2) (n = 1986) (3) Problèmes possibles Variables réponses Y 1,...,Y n indépendantes, covariées x i = (1,x i1,...,x ip ) T. Le modèle linéaire peut s écrire : Modèle GLM : Y i = x T i β + ǫ i ou E(Y i ) = µ i = x T i β. g(e(y i )) = β 0 + β 1 x i β p x ip = x T i β où g est appelée fonction lien. Possibilité (comme dans le modèle linéaire) de considérer des transformations dans les covariées (termes quadratiques, p. ex.) Eva Cantoni Colloque d Epidémiologie Clinique et Biostatistique (HUG) - 9 juin / 28
9 généralisé (2) généralisé (1) généralisé (2) binaires Poisson et réponses 1986 (1) 1986 (2) 1986 (3) (n = 1986) (1) (n = 1986) (2) (n = 1986) (3) Problèmes possibles Hypothèses : Y i suit une distribution discrète ou continue dans la famille exponentielle (contient : binomiale, Poisson, exponentielle, ) avec E(Y i ) = µ i et V ar(y i ) = v(µ i ). Estimation : par maximum de vraisemblance. Eva Cantoni Colloque d Epidémiologie Clinique et Biostatistique (HUG) - 9 juin / 28
10 généralisé (2) généralisé (1) généralisé (2) binaires Poisson et réponses 1986 (1) 1986 (2) 1986 (3) (n = 1986) (1) (n = 1986) (2) (n = 1986) (3) Problèmes possibles Hypothèses : Y i suit une distribution discrète ou continue dans la famille exponentielle (contient : binomiale, Poisson, exponentielle, ) avec E(Y i ) = µ i et V ar(y i ) = v(µ i ). Estimation : par maximum de vraisemblance. Validation du modèle : inspection des résidus. Inférence basée sur la vraisemblance (ou déviance) : distribution asymptotique de l estimateur (et donc variance) comparaison de modèles emboîtés (type test de rapport de vraisemblance, distribution χ 2 ) critère d Akaike (AIC) Eva Cantoni Colloque d Epidémiologie Clinique et Biostatistique (HUG) - 9 juin / 28
11 binaires généralisé (1) généralisé (2) binaires Poisson et réponses 1986 (1) 1986 (2) 1986 (3) (n = 1986) (1) (n = 1986) (2) (n = 1986) (3) Problèmes possibles Si Y i = 0 ou 1, alors E(Y i ) = µ i = p i = P(Y i = 1) et V ar(y i ) = p i (1 p i ). Il y a différentes possibilités pour g : lien logit : log( p i 1 p i ) = x T i β lien probit : Φ(p i ) = x T i β lien c-loglog : log( log(1 p i )) = x T i β Eva Cantoni Colloque d Epidémiologie Clinique et Biostatistique (HUG) - 9 juin / 28
12 binaires généralisé (1) généralisé (2) binaires Poisson et réponses 1986 (1) 1986 (2) 1986 (3) (n = 1986) (1) (n = 1986) (2) (n = 1986) (3) Problèmes possibles Si Y i = 0 ou 1, alors E(Y i ) = µ i = p i = P(Y i = 1) et V ar(y i ) = p i (1 p i ). Il y a différentes possibilités pour g : lien logit : log( p i 1 p i ) = x T i β lien probit : Φ(p i ) = x T i β lien c-loglog : log( log(1 p i )) = x T i β Si Y i est Bin(n i,p i ), on travaille avec les proportions Y i /n i. Eva Cantoni Colloque d Epidémiologie Clinique et Biostatistique (HUG) - 9 juin / 28
13 Poisson et réponses généralisé (1) généralisé (2) binaires Poisson et réponses 1986 (1) 1986 (2) 1986 (3) (n = 1986) (1) (n = 1986) (2) (n = 1986) (3) Problèmes possibles Si Y i P(λ i ), alors E(Y i ) = λ i et V ar(y i ) = λ i. Fonction lien logarithmique : log(λ i ) = x T i β Eva Cantoni Colloque d Epidémiologie Clinique et Biostatistique (HUG) - 9 juin / 28
14 Poisson et réponses généralisé (1) généralisé (2) binaires Poisson et réponses 1986 (1) 1986 (2) 1986 (3) (n = 1986) (1) (n = 1986) (2) (n = 1986) (3) Problèmes possibles Si Y i P(λ i ), alors E(Y i ) = λ i et V ar(y i ) = λ i. Fonction lien logarithmique : log(λ i ) = x T i β Si Y i (µ i,φ), alors E(Y i ) = µ i et V ar(y i ) = µ 2 i /φ. Fonction lien logarithmique : log(λ i ) = x T i β (ou fonction lien inverse : 1/λ i = x T i β). Eva Cantoni Colloque d Epidémiologie Clinique et Biostatistique (HUG) - 9 juin / 28
15 Poisson et réponses généralisé (1) généralisé (2) binaires Poisson et réponses 1986 (1) 1986 (2) 1986 (3) (n = 1986) (1) (n = 1986) (2) (n = 1986) (3) Problèmes possibles Si Y i P(λ i ), alors E(Y i ) = λ i et V ar(y i ) = λ i. Fonction lien logarithmique : log(λ i ) = x T i β Si Y i (µ i,φ), alors E(Y i ) = µ i et V ar(y i ) = µ 2 i /φ. Fonction lien logarithmique : log(λ i ) = x T i inverse : 1/λ i = x T i β). β (ou fonction lien Attention : pas équivalent à transformer la réponse en log! Eva Cantoni Colloque d Epidémiologie Clinique et Biostatistique (HUG) - 9 juin / 28
16 1986 (1) généralisé (1) généralisé (2) binaires Poisson et réponses 1986 (1) 1986 (2) 1986 (3) (n = 1986) (1) (n = 1986) (2) (n = 1986) (3) Problèmes possibles glm(formula = smoke ~ age + factor(birth) + factor(education) + factor(racesex), family = binomial, data = CARDIA.wave1) oefficients: Estimate Std. Error z value Pr(> z ) (Intercept) * age * factor(birth) factor(birth) factor(education) e-14 *** factor(education) < 2e-16 *** factor(racesex) factor(racesex) factor(racesex) Signif. codes: 0 *** ** 0.01 * (Dispersion parameter for binomial family taken to be 1) Null deviance: on 3692 degrees of freedom Residual deviance: on 3684 degrees of freedom AIC: Number of Fisher Scoring iterations: 4 Eva Cantoni Colloque d Epidémiologie Clinique et Biostatistique (HUG) - 9 juin / 28
17 1986 (2) généralisé (1) généralisé (2) binaires Poisson et réponses 1986 (1) 1986 (2) 1986 (3) (n = 1986) (1) (n = 1986) (2) (n = 1986) (3) Problèmes possibles Résidus : Residuals Std. deviance resid Residuals vs Fitted Predicted values Scale Location Predicted values Std. deviance resid. Std. deviance resid Normal Q Q Theoretical Quantiles Residuals vs Leverage Cook s distance Leverage Eva Cantoni Colloque d Epidémiologie Clinique et Biostatistique (HUG) - 9 juin / 28
18 1986 (3) généralisé (1) généralisé (2) binaires Poisson et réponses 1986 (1) 1986 (2) 1986 (3) (n = 1986) (1) (n = 1986) (2) (n = 1986) (3) Problèmes possibles Interprétation : Effet d une variable (toute chose étant égale par ailleurs) : p i log( ) = x T i 1 p β et donc p i = exp(x T i i 1 p β). i On interprète sur l échelle des cotes (odds). Eva Cantoni Colloque d Epidémiologie Clinique et Biostatistique (HUG) - 9 juin / 28
19 1986 (3) généralisé (1) généralisé (2) binaires Poisson et réponses 1986 (1) 1986 (2) 1986 (3) (n = 1986) (1) (n = 1986) (2) (n = 1986) (3) Problèmes possibles Interprétation : Effet d une variable (toute chose étant égale par ailleurs) : p i log( ) = x T i 1 p β et donc p i = exp(x T i i 1 p β). i On interprète sur l échelle des cotes (odds). Une année (age) supplémentaire augmente la cote de fumer de 6.6% (car exp( ) = 1.066) Eva Cantoni Colloque d Epidémiologie Clinique et Biostatistique (HUG) - 9 juin / 28
20 1986 (3) généralisé (1) généralisé (2) binaires Poisson et réponses 1986 (1) 1986 (2) 1986 (3) (n = 1986) (1) (n = 1986) (2) (n = 1986) (3) Problèmes possibles Interprétation : Effet d une variable (toute chose étant égale par ailleurs) : p i log( ) = x T i 1 p β et donc p i = exp(x T i i 1 p β). i On interprète sur l échelle des cotes (odds). Une année (age) supplémentaire augmente la cote de fumer de 6.6% (car exp( ) = 1.066) Le fait d avoir un diplôme universitaire (education=3, par rapport un niveau de formation non-universitaire) diminue la cote de 86% (car exp( 1.939) = 0.144) Eva Cantoni Colloque d Epidémiologie Clinique et Biostatistique (HUG) - 9 juin / 28
21 (n = 1986) (1) généralisé (1) généralisé (2) binaires Poisson et réponses 1986 (1) 1986 (2) 1986 (3) (n = 1986) (1) (n = 1986) (2) (n = 1986) (3) Problèmes possibles glm(formula = death ~ pm10tmean + tmean + day + dptp + factor(dow), family = poisson, data = sanf) Coefficients: Estimate Std. Error z value Pr(> z ) (Intercept) 2.283e e < 2e-16 *** pm10tmean 1.733e e ** tmean e e * day e e e-05 *** dptp e e factor(dow) e e factor(dow) e e factor(dow) e e factor(dow) e e factor(dow) e e factor(dow) e e Signif. codes: 0 *** ** 0.01 * (Dispersion parameter for poisson family taken to be 1) Null deviance: on 1985 degrees of freedom Residual deviance: on 1975 degrees of freedom (13356 observations deleted due to missingness) AIC: Number of Fisher Scoring iterations: 4 Eva Cantoni Colloque d Epidémiologie Clinique et Biostatistique (HUG) - 9 juin / 28
22 (n = 1986) (2) généralisé (1) généralisé (2) binaires Poisson et réponses 1986 (1) 1986 (2) 1986 (3) (n = 1986) (1) (n = 1986) (2) (n = 1986) (3) Problèmes possibles Résidus : Residuals Std. deviance resid Residuals vs Fitted Predicted values Scale Location Predicted values Std. deviance resid. Std. deviance resid Normal Q Q Theoretical Quantiles Residuals vs Leverage Cook s distance Leverage Eva Cantoni Colloque d Epidémiologie Clinique et Biostatistique (HUG) - 9 juin / 28
23 (n = 1986) (3) généralisé (1) généralisé (2) binaires Poisson et réponses 1986 (1) 1986 (2) 1986 (3) (n = 1986) (1) (n = 1986) (2) (n = 1986) (3) Problèmes possibles Interprétation : Effet d une variable (toute chose étant égale par ailleurs) : log(λ i ) = x T i β et donc µ i = λ i = exp(x T i β). Eva Cantoni Colloque d Epidémiologie Clinique et Biostatistique (HUG) - 9 juin / 28
24 (n = 1986) (3) généralisé (1) généralisé (2) binaires Poisson et réponses 1986 (1) 1986 (2) 1986 (3) (n = 1986) (1) (n = 1986) (2) (n = 1986) (3) Problèmes possibles Interprétation : Effet d une variable (toute chose étant égale par ailleurs) : log(λ i ) = x T i β et donc µ i = λ i = exp(x T i β). Une augmentation de 10 mg/m 3 de particules fines augmente le nombre de morts de 1.7% (exp( ) = 1.017). Eva Cantoni Colloque d Epidémiologie Clinique et Biostatistique (HUG) - 9 juin / 28
25 (n = 1986) (3) généralisé (1) généralisé (2) binaires Poisson et réponses 1986 (1) 1986 (2) 1986 (3) (n = 1986) (1) (n = 1986) (2) (n = 1986) (3) Problèmes possibles Interprétation : Effet d une variable (toute chose étant égale par ailleurs) : log(λ i ) = x T i β et donc µ i = λ i = exp(x T i β). Une augmentation de 10 mg/m 3 de particules fines augmente le nombre de morts de 1.7% (exp( ) = 1.017). Un degré (temperature) supplémentaire réduit le nombre de morts de 0.5% (car exp( 0.005) = 0.995). Eva Cantoni Colloque d Epidémiologie Clinique et Biostatistique (HUG) - 9 juin / 28
26 Problèmes possibles généralisé (1) généralisé (2) binaires Poisson et réponses 1986 (1) 1986 (2) 1986 (3) (n = 1986) (1) (n = 1986) (2) (n = 1986) (3) Problèmes possibles sur/sous dispersion : pour la binomiale et la Poisson, l hypothèse sur la variance n est pas satisfaite. Solution : modèle de type quasi-poisson (Hyp. : V ar(y i ) = φv(µ i ) et estimation par quasi-vraisemblance). Eva Cantoni Colloque d Epidémiologie Clinique et Biostatistique (HUG) - 9 juin / 28
27 Problèmes possibles généralisé (1) généralisé (2) binaires Poisson et réponses 1986 (1) 1986 (2) 1986 (3) (n = 1986) (1) (n = 1986) (2) (n = 1986) (3) Problèmes possibles sur/sous dispersion : pour la binomiale et la Poisson, l hypothèse sur la variance n est pas satisfaite. Solution : modèle de type quasi-poisson (Hyp. : V ar(y i ) = φv(µ i ) et estimation par quasi-vraisemblance). pic en zéro : excès de zéros dans les comptages (Poisson) ou pic en zéro pour les données continues. Solution : modèle de type zero-inflated (e.g. ZIP) ou two-step/hurdle. Eva Cantoni Colloque d Epidémiologie Clinique et Biostatistique (HUG) - 9 juin / 28
28 Problèmes possibles généralisé (1) généralisé (2) binaires Poisson et réponses 1986 (1) 1986 (2) 1986 (3) (n = 1986) (1) (n = 1986) (2) (n = 1986) (3) Problèmes possibles sur/sous dispersion : pour la binomiale et la Poisson, l hypothèse sur la variance n est pas satisfaite. Solution : modèle de type quasi-poisson (Hyp. : V ar(y i ) = φv(µ i ) et estimation par quasi-vraisemblance). pic en zéro : excès de zéros dans les comptages (Poisson) ou pic en zéro pour les données continues. Solution : modèle de type zero-inflated (e.g. ZIP) ou two-step/hurdle. Valeurs aberrantes : valeurs extrêmes qui influencent grandement l estimation. Solution : statistique robuste. Eva Cantoni Colloque d Epidémiologie Clinique et Biostatistique (HUG) - 9 juin / 28
29 Extensions aux données Extensions aux données GEE en détail GLMM en détail GEE vs GLMM CARDIA - GEE (1) CARDIA - GEE (2) CARDIA - GLMM Variables réponses Y 1 = (Y 11,...,Y 1ni ) T,...,Y n = (Y n1,...,y nni ) T, covariées x it = (1,x it1,...,x itp ) T pour t = 1,...,n i. Les Y i sont indépendants, mais pour chaque i, les Y it pour t = 1,...,n i ne le sont pas. Eva Cantoni Colloque d Epidémiologie Clinique et Biostatistique (HUG) - 9 juin / 28
30 Extensions aux données Extensions aux données GEE en détail GLMM en détail GEE vs GLMM CARDIA - GEE (1) CARDIA - GEE (2) CARDIA - GLMM Variables réponses Y 1 = (Y 11,...,Y 1ni ) T,...,Y n = (Y n1,...,y nni ) T, covariées x it = (1,x it1,...,x itp ) T pour t = 1,...,n i. Les Y i sont indépendants, mais pour chaque i, les Y it pour t = 1,...,n i ne le sont pas. Deux façons d intégrer cette hypothèse : 1. GEE (generalized estimating equations) : modéliser la corrélation directement. Eva Cantoni Colloque d Epidémiologie Clinique et Biostatistique (HUG) - 9 juin / 28
31 Extensions aux données Extensions aux données GEE en détail GLMM en détail GEE vs GLMM CARDIA - GEE (1) CARDIA - GEE (2) CARDIA - GLMM Variables réponses Y 1 = (Y 11,...,Y 1ni ) T,...,Y n = (Y n1,...,y nni ) T, covariées x it = (1,x it1,...,x itp ) T pour t = 1,...,n i. Les Y i sont indépendants, mais pour chaque i, les Y it pour t = 1,...,n i ne le sont pas. Deux façons d intégrer cette hypothèse : 1. GEE (generalized estimating equations) : modéliser la corrélation directement. 2. GLMM (generalized linear mixed models) : ajouter des effets aléatoires au modèle. Eva Cantoni Colloque d Epidémiologie Clinique et Biostatistique (HUG) - 9 juin / 28
32 GEE en détail Extensions aux données GEE en détail GLMM en détail GEE vs GLMM CARDIA - GEE (1) CARDIA - GEE (2) CARDIA - GLMM Hypothèses : E(Y it ) = µ it, V ar(y it ) = φv(µ it ) et Corr(Y it,y it ) = r(α). Choix pour r(α) : échangeable, AR(1), libre,... Modèle : g(µ it ) = x T itβ Eva Cantoni Colloque d Epidémiologie Clinique et Biostatistique (HUG) - 9 juin / 28
33 GEE en détail Extensions aux données GEE en détail GLMM en détail GEE vs GLMM CARDIA - GEE (1) CARDIA - GEE (2) CARDIA - GLMM Hypothèses : E(Y it ) = µ it, V ar(y it ) = φv(µ it ) et Corr(Y it,y it ) = r(α). Choix pour r(α) : échangeable, AR(1), libre,... Modèle : g(µ it ) = x T itβ Equations d estimation : n i=1 D T i (A 1/2 i R i (α)a 1/2 i ) 1 (Y i µ i ) = 0, avec D i = dµ i /dβ et A i = diag(φv(µ it )). Eva Cantoni Colloque d Epidémiologie Clinique et Biostatistique (HUG) - 9 juin / 28
34 GEE en détail Extensions aux données GEE en détail GLMM en détail GEE vs GLMM CARDIA - GEE (1) CARDIA - GEE (2) CARDIA - GLMM Hypothèses : E(Y it ) = µ it, V ar(y it ) = φv(µ it ) et Corr(Y it,y it ) = r(α). Choix pour r(α) : échangeable, AR(1), libre,... Modèle : g(µ it ) = x T itβ Equations d estimation : n i=1 D T i (A 1/2 i R i (α)a 1/2 i ) 1 (Y i µ i ) = 0, avec D i = dµ i /dβ et A i = diag(φv(µ it )). Diagnostic des résidus possible. Inférence : distribution asymptotique connue. Eva Cantoni Colloque d Epidémiologie Clinique et Biostatistique (HUG) - 9 juin / 28
35 GLMM en détail Extensions aux données GEE en détail GLMM en détail GEE vs GLMM CARDIA - GEE (1) CARDIA - GEE (2) CARDIA - GLMM Covariées pour les effets aléatoires : z it = (1,z it1,...,z itq ) T pour t = 1,...,n i. Hypothèses : - γ i indépendants selon N(0, Ψ) - Y it γ i, t = 1,...,n i indépendants selon une distribution de la famille exponentielle. - E(Y it γ i ) = µ it et V ar(y it γ i ) = φv(µ it ). Modèle : g(e(y it γ i )) = g(µ it ) = x T itβ + z T itγ i avec fonction lien g. Estimation par maximum de vraisemblance : L(β,φ, Ψ) = n i=1 ni t=1 f(y it γ i,β,φ)f(γ i φ, Ψ)dγ i. Eva Cantoni Colloque d Epidémiologie Clinique et Biostatistique (HUG) - 9 juin / 28
36 GEE vs GLMM Extensions aux données GEE en détail GLMM en détail GEE vs GLMM CARDIA - GEE (1) CARDIA - GEE (2) CARDIA - GLMM GEE pas de vraisemblance, mais équations d estimation aujstement facile inference de type population average GLMM vraisemblance calcul de la vraisemblance compliqué inference de type subject-specific Eva Cantoni Colloque d Epidémiologie Clinique et Biostatistique (HUG) - 9 juin / 28
37 CARDIA - GEE (1) Extensions aux données GEE en détail GLMM en détail GEE vs GLMM CARDIA - GEE (1) CARDIA - GEE (2) CARDIA - GLMM GEE: GENERALIZED LINEAR MODELS FOR DEPENDENT DATA gee S-function, version 4.13 modified 98/01/27 (1998) Model: Link: Logit Variance to Mean Relation: Binomial Correlation Structure: AR-M, M = 1 Coefficients: Estimate Naive S.E. Naive z Robust S.E. Robust z (Intercept) age factor(birth) factor(birth) factor(education) factor(education) factor(racesex) factor(racesex) factor(racesex) Estimated Scale Parameter: Number of Iterations: 2 Working Correlation [,1] [,2] [,3] [,4] [1,] [2,] [3,] [4,] Eva Cantoni Colloque d Epidémiologie Clinique et Biostatistique (HUG) - 9 juin / 28
38 CARDIA - GEE (2) Résidus : Extensions aux données GEE en détail GLMM en détail GEE vs GLMM CARDIA - GEE (1) CARDIA - GEE (2) CARDIA - GLMM residuals Index Eva Cantoni Colloque d Epidémiologie Clinique et Biostatistique (HUG) - 9 juin / 28
39 CARDIA - GLMM Extensions aux données GEE en détail GLMM en détail GEE vs GLMM CARDIA - GEE (1) CARDIA - GEE (2) CARDIA - GLMM Linear mixed-effects model fit by maximum likelihood Random effects: Formula: ~1 id (Intercept) Residual StdDev: Variance function: Structure: fixed weights Formula: ~invwt Fixed effects: smoke ~ age + factor(birth) + factor(education) + factor(racesex) Value Std.Error DF t-value p-value (Intercept) age factor(birth) factor(birth) factor(education) factor(education) factor(racesex) factor(racesex) factor(racesex) Standardized Within-Group Residuals: Min Q1 Med Q3 Max Number of Observations: Number of Groups: 3693 Eva Cantoni Colloque d Epidémiologie Clinique et Biostatistique (HUG) - 9 juin / 28
40 Extra CHUV (1) CHUV (2) Extra Eva Cantoni Colloque d Epidémiologie Clinique et Biostatistique (HUG) - 9 juin / 28
41 CHUV (1) Extra CHUV (1) CHUV (2) glm(formula = CouTot ~ log(los) + Typadm + Typass + age + Sexe + dest, family = (link = log), data = MYdata) Deviance Residuals: Min 1Q Median 3Q Max Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) < 2e-16 *** log(los) < 2e-16 *** Typadm e-05 *** Typass age Sexe dest Signif. codes: 0 *** ** 0.01 * (Dispersion parameter for family taken to be ) Null deviance: on 99 degrees of freedom Residual deviance: on 93 degrees of freedom AIC: Number of Fisher Scoring iterations: 5 Eva Cantoni Colloque d Epidémiologie Clinique et Biostatistique (HUG) - 9 juin / 28
42 CHUV (2) Extra CHUV (1) CHUV (2) Residuals Residuals vs Fitted Std. deviance resid Normal Q Q Predicted values Theoretical Quantiles Std. deviance resid Scale Location Std. deviance resid Residuals vs Leverage Cook s 63 distance Predicted values Leverage Eva Cantoni Colloque d Epidémiologie Clinique et Biostatistique (HUG) - 9 juin / 28
Données longitudinales et modèles de survie
ANALYSE DU Données longitudinales et modèles de survie 5. Modèles de régression en temps discret André Berchtold Département des sciences économiques, Université de Genève Cours de Master ANALYSE DU Plan
Plus en détailUn exemple de régression logistique sous
Fiche TD avec le logiciel : tdr341 Un exemple de régression logistique sous A.B. Dufour & A. Viallefont Etude de l apparition ou non d une maladie cardiaque des coronaires 1 Présentation des données Les
Plus en détailUne introduction. Lionel RIOU FRANÇA. Septembre 2008
Une introduction INSERM U669 Septembre 2008 Sommaire 1 Effets Fixes Effets Aléatoires 2 Analyse Classique Effets aléatoires Efficacité homogène Efficacité hétérogène 3 Estimation du modèle Inférence 4
Plus en détailExercices M1 SES 2014-2015 Ana Fermin (http:// fermin.perso.math.cnrs.fr/ ) 14 Avril 2015
Exercices M1 SES 214-215 Ana Fermin (http:// fermin.perso.math.cnrs.fr/ ) 14 Avril 215 Les exemples numériques présentés dans ce document d exercices ont été traités sur le logiciel R, téléchargeable par
Plus en détailMODELE A CORRECTION D ERREUR ET APPLICATIONS
MODELE A CORRECTION D ERREUR ET APPLICATIONS Hélène HAMISULTANE Bibliographie : Bourbonnais R. (2000), Econométrie, DUNOD. Lardic S. et Mignon V. (2002), Econométrie des Séries Temporelles Macroéconomiques
Plus en détail1 Définition de la non stationnarité
Chapitre 2: La non stationnarité -Testsdedétection Quelques notes de cours (non exhaustives) 1 Définition de la non stationnarité La plupart des séries économiques sont non stationnaires, c est-à-direqueleprocessusquiles
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détailSAS ENTERPRISE MINER POUR L'ACTUAIRE
SAS ENTERPRISE MINER POUR L'ACTUAIRE Conférence de l Association des Actuaires I.A.R.D. 07 JUIN 2013 Sylvain Tremblay Spécialiste en formation statistique SAS Canada AGENDA Survol d Enterprise Miner de
Plus en détailAnalyse de la variance Comparaison de plusieurs moyennes
Analyse de la variance Comparaison de plusieurs moyennes Biostatistique Pr. Nicolas MEYER Laboratoire de Biostatistique et Informatique Médicale Fac. de Médecine de Strasbourg Mars 2011 Plan 1 Introduction
Plus en détailExemple PLS avec SAS
Exemple PLS avec SAS This example, from Umetrics (1995), demonstrates different ways to examine a PLS model. The data come from the field of drug discovery. New drugs are developed from chemicals that
Plus en détailApproche par groupe de gènes pour les données longitudinales d expression génique avec une application dans un essai vaccinal contre le VIH
Approche par groupe de gènes pour les données longitudinales d expression génique avec une application dans un essai vaccinal contre le VIH Boris Hejblum 1,2,3 & Rodolphe Thiébaut 1,2,3 1 Inserm, U897
Plus en détailModèle GARCH Application à la prévision de la volatilité
Modèle GARCH Application à la prévision de la volatilité Olivier Roustant Ecole des Mines de St-Etienne 3A - Finance Quantitative Décembre 2007 1 Objectifs Améliorer la modélisation de Black et Scholes
Plus en détailModèles pour données répétées
Résumé Les données répétées, ou données longitudinales, constituent un domaine à la fois important et assez particulier de la statistique. On entend par données répétées des données telles que, pour chaque
Plus en détailTABLE DES MATIERES. C Exercices complémentaires 42
TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence
Plus en détailChapitre 6 Test de comparaison de pourcentages χ². José LABARERE
UE4 : Biostatistiques Chapitre 6 Test de comparaison de pourcentages χ² José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Nature des variables
Plus en détailTempérature corporelle d un castor (une petite introduction aux séries temporelles)
Température corporelle d un castor (une petite introduction aux séries temporelles) GMMA 106 GMMA 106 2014 2015 1 / 32 Cas d étude Temperature (C) 37.0 37.5 38.0 0 20 40 60 80 100 Figure 1: Temperature
Plus en détailImputation du salaire d ego dans TeO
Imputation du salaire d ego dans TeO Objet de la note : linéariser la réponse en tranche du salaire, et imputer le salaire en cas de non réponse Champ et principe de la méthode Les individus qui se sont
Plus en détailSTATISTIQUES. UE Modélisation pour la biologie
STATISTIQUES UE Modélisation pour la biologie 2011 Cadre Général n individus: 1, 2,..., n Y variable à expliquer : Y = (y 1, y 2,..., y n ), y i R Modèle: Y = Xθ + ε X matrice du plan d expériences θ paramètres
Plus en détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détailAnalyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés
Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Professeur Patrice Francour francour@unice.fr Une grande partie des illustrations viennent
Plus en détailCancer bronchique primitif: données épidémiologiques récentes
Cancer bronchique primitif: données épidémiologiques récentes Pr Jean Trédaniel Service de pneumologie et oncologie thoracique Groupe Hospitalier Paris Saint Joseph Université Paris Descartes Sources Données
Plus en détailLire ; Compter ; Tester... avec R
Lire ; Compter ; Tester... avec R Préparation des données / Analyse univariée / Analyse bivariée Christophe Genolini 2 Table des matières 1 Rappels théoriques 5 1.1 Vocabulaire....................................
Plus en détailTable des matières. I Mise à niveau 11. Préface
Table des matières Préface v I Mise à niveau 11 1 Bases du calcul commercial 13 1.1 Alphabet grec...................................... 13 1.2 Symboles mathématiques............................... 14 1.3
Plus en détailEconométrie et applications
Econométrie et applications Ecole des Ponts ParisTech Département Sciences Economiques Gestion Finance Nicolas Jacquemet (nicolas.jacquemet@univ-paris1.fr) Université Paris 1 & Ecole d Economie de Paris
Plus en détailPrincipe de symétrisation pour la construction d un test adaptatif
Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université
Plus en détailTests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE
Chapitre 5 UE4 : Biostatistiques Tests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés.
Plus en détaildistribution quelconque Signe 1 échantillon non Wilcoxon gaussienne distribution symétrique Student gaussienne position
Arbre de NESI distribution quelconque Signe 1 échantillon distribution symétrique non gaussienne Wilcoxon gaussienne Student position appariés 1 échantillon sur la différence avec référence=0 2 échantillons
Plus en détailStatistique de l assurance
Statistique de l assurance Arthur Charpentier To cite this version: Arthur Charpentier. Statistique de l assurance. 3ème cycle. Université de Rennes 1 et Université de Montréal, 2010, pp.133.
Plus en détailExemples d application
AgroParisTech Exemples d application du modèle linéaire E Lebarbier, S Robin Table des matières 1 Introduction 4 11 Avertissement 4 12 Notations 4 2 Régression linéaire simple 7 21 Présentation 7 211 Objectif
Plus en détailPrincipe d un test statistique
Biostatistiques Principe d un test statistique Professeur Jean-Luc BOSSON PCEM2 - Année universitaire 2012/2013 Faculté de Médecine de Grenoble (UJF) - Tous droits réservés. Objectifs pédagogiques Comprendre
Plus en détailFeuille 6 : Tests. Peut-on dire que l usine a respecté ses engagements? Faire un test d hypothèses pour y répondre.
Université de Nantes Année 2013-2014 L3 Maths-Eco Feuille 6 : Tests Exercice 1 On cherche à connaître la température d ébullition µ, en degrés Celsius, d un certain liquide. On effectue 16 expériences
Plus en détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en détailCours de méthodes de scoring
UNIVERSITE DE CARTHAGE ECOLE SUPERIEURE DE STATISTIQUE ET D ANALYSE DE L INFORMATION Cours de méthodes de scoring Préparé par Hassen MATHLOUTHI Année universitaire 2013-2014 Cours de méthodes de scoring-
Plus en détailIntroduction à la statistique non paramétrique
Introduction à la statistique non paramétrique Catherine MATIAS CNRS, Laboratoire Statistique & Génome, Évry http://stat.genopole.cnrs.fr/ cmatias Atelier SFDS 27/28 septembre 2012 Partie 2 : Tests non
Plus en détailModélisation géostatistique des débits le long des cours d eau.
Modélisation géostatistique des débits le long des cours d eau. C. Bernard-Michel (actuellement à ) & C. de Fouquet MISTIS, INRIA Rhône-Alpes. 655 avenue de l Europe, 38334 SAINT ISMIER Cedex. Ecole des
Plus en détailL approche de régression par discontinuité. Thomas Lemieux, UBC Atelier de formation du Congrès de l ASDEQ Le 18 mai 2011
L approche de régression par discontinuité Thomas Lemieux, UBC Atelier de formation du Congrès de l ASDEQ Le 18 mai 2011 Plan de la présentation L approche de régression par discontinuité (RD) Historique
Plus en détailApplication des courbes ROC à l analyse des facteurs pronostiques binaires
Application des courbes ROC à l analyse des facteurs pronostiques binaires Combescure C (1), Perneger TV (1), Weber DC (2), Daurès J P (3), Foucher Y (4) (1) Service d épidémiologie clinique et Centre
Plus en détailTP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options
Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce
Plus en détailModélisation des risques
2 Modélisation des risques 2. Introduction L objectif de ce chapitre est de présenter les modèles de base utilisés pour décrire le comportement aléatoire d un risque en actuariat pour une période xe. Les
Plus en détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détail«Cours Statistique et logiciel R»
«Cours Statistique et logiciel R» Rémy Drouilhet (1), Adeline Leclercq-Samson (1), Frédérique Letué (1), Laurence Viry (2) (1) Laboratoire Jean Kuntzmann, Dép. Probabilites et Statistique, (2) Laboratoire
Plus en détailIntroduction aux Statistiques et à l utilisation du logiciel R
Introduction aux Statistiques et à l utilisation du logiciel R Christophe Lalanne Christophe Pallier 1 Introduction 2 Comparaisons de deux moyennes 2.1 Objet de l étude On a mesuré le temps de sommeil
Plus en détailAnalyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I
Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Roxane Duroux 1 Cadre de l étude Cette étude s inscrit dans le cadre de recherche de doses pour des essais cliniques
Plus en détailLa survie nette actuelle à long terme Qualités de sept méthodes d estimation
La survie nette actuelle à long terme Qualités de sept méthodes d estimation PAR Alireza MOGHADDAM TUTEUR : Guy HÉDELIN Laboratoire d Épidémiologie et de Santé publique, EA 80 Faculté de Médecine de Strasbourg
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailAnalyse des durées de vie avec le logiciel R
Analyse des durées de vie avec le logiciel R Ségolen Geffray Des outils ainsi que des données pour l analyse des durées de vie sont disponibles dans les packages survival MASS Il est nécessaire de charger
Plus en détailLa méthode de régression par discontinuité et l évaluation des politiques de l emploi
La méthode de régression par discontinuité et l évaluation des politiques de l emploi Thomas Lemieux University of British Columbia Le 24 novembre 2009 Plan de la présentation La méthode de régression
Plus en détailRisque et assurance. Arthur Charpentier. Université Rennes 1. arthur.charpentier@univ-rennes1.fr http ://freakonometrics.blog.free.
Risque et assurance Arthur Charpentier Université Rennes 1 arthur.charpentier@univ-rennes1.fr http ://freakonometrics.blog.free.fr/ Journées d Études Statistique, Luminy, Novembre 2010. 1 1 Prise en compte
Plus en détaili ANALYSE STATISTIQUE DES TARIFS DES GARANTIES DOMMAGES EN ASSURANCES AUTOMOBILE : CAS DE CHANAS ASSURANCES S.A Mémoire Par : LELE SIAKA HERNANDEZ
i ANALYSE STATISTIQUE DES TARIFS DES GARANTIES DOMMAGES EN ASSURANCES AUTOMOBILE : CAS DE CHANAS ASSURANCES S.A Mémoire présenté et soutenu en vue de l obtention du Diplôme de Master de Statistique Appliquée.
Plus en détailde calibration Master 2: Calibration de modèles: présentation et simulation d
Master 2: Calibration de modèles: présentation et simulation de quelques problèmes de calibration Plan de la présentation 1. Présentation de quelques modèles à calibrer 1a. Reconstruction d une courbe
Plus en détailCommande Prédictive des. Convertisseurs Statiques
Commande Prédictive des Convertisseurs Statiques 1 Classification des méthodes de commande pour les convertisseurs statiques Commande des convertisseurs Hystérésis MLI Cde Linéaire Fuzzy Logic Sliding
Plus en détailModèle de calcul des paramètres économiques
Modèle de calcul des paramètres économiques selon norme SIA 480 Calcul de rentabilité pour les investissements dans le bâtiment Version 3.2 1. Introduction 1.1 Version Excel Le modèle de calcul a été développé
Plus en détail3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
Plus en détailChapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE
UE4 : Biostatistiques Chapitre 3 : Principe des tests statistiques d hypothèse José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Introduction
Plus en détailMCMC et approximations en champ moyen pour les modèles de Markov
MCMC et approximations en champ moyen pour les modèles de Markov Gersende FORT LTCI CNRS - TELECOM ParisTech En collaboration avec Florence FORBES (Projet MISTIS, INRIA Rhône-Alpes). Basé sur l article:
Plus en détailCours de didactique du français langue étrangère (*) French as a foreign language (*)
FORMULAIRE DESTINE AUX DEMANDES DE BOURSE DURANT L ETE FORM TO BE USED FOR APPLICATIONS FOR A SUMMER SCHOLARSHIP Wallonie-Bruxelles International Service des Bourses d études 2, Place Sainctelette 1080
Plus en détailL olivier Assurances Licence 3 Econométrie Lyon II
15 novembre 2013 L olivier Assurances Licence 3 Econométrie Lyon II Pascal Gonzalvez 1 L olivier Assurances et le Groupe Admiral Segmentation et tarification en assurance auto Autres applications de la
Plus en détailEchantillonnage Non uniforme
Echantillonnage Non uniforme Marie CHABERT IRIT/INP-ENSEEIHT/ ENSEEIHT/TéSASA Patrice MICHEL et Bernard LACAZE TéSA 1 Plan Introduction Echantillonnage uniforme Echantillonnage irrégulier Comparaison Cas
Plus en détailEvaluation des modèles non-linéaires à effets mixtes
Evaluation des effets mixtes INSERM UMR738 GDR Statistiques et Santé, 20 octobre 2009 Pharmacométrie Définition modélisation des données obtenues lors d essais cliniques sur des médicaments développement
Plus en détailLECTURE CRITIQUE 1 ER PAS
1 LECTURE CRITIQUE D UN ARTICLE SCIENTIFIQUE 1 ER PAS FORUM PCI 20,05,14 MJ Thévenin / Inf. EPIAS/ SMPH BUTS ET ORGANISATION DE LA PRÉSENTATION Utiliser une grille de lecture critique d un article Comprendre
Plus en détailContents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes
Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire
Plus en détailBiostatistiques : Petits effectifs
Biostatistiques : Petits effectifs Master Recherche Biologie et Santé P. Devos DRCI CHRU de Lille EA2694 patrick.devos@univ-lille2.fr Plan Données Générales : Définition des statistiques Principe de l
Plus en détailContexte. Pour cela, elles doivent être très compliquées, c est-à-dire elles doivent être très différentes des fonctions simples,
Non-linéarité Contexte Pour permettre aux algorithmes de cryptographie d être sûrs, les fonctions booléennes qu ils utilisent ne doivent pas être inversées facilement. Pour cela, elles doivent être très
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailMedication management ability assessment: results from a performance based measure in older outpatients with schizophrenia.
Medication Management Ability Assessment (MMAA) Patterson TL, Lacro J, McKibbin CL, Moscona S, Hughs T, Jeste DV. (2002) Medication management ability assessment: results from a performance based measure
Plus en détailMémoire d actuariat - promotion 2010. complexité et limites du modèle actuariel, le rôle majeur des comportements humains.
Mémoire d actuariat - promotion 2010 La modélisation des avantages au personnel: complexité et limites du modèle actuariel, le rôle majeur des comportements humains. 14 décembre 2010 Stéphane MARQUETTY
Plus en détailTests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA
Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA Soutenance de doctorat, sous la direction de Pr. Bilodeau, M. et Pr. Ducharme, G. Université de Montréal et Université
Plus en détailCours (7) de statistiques à distance, élaboré par Zarrouk Fayçal, ISSEP Ksar-Said, 2011-2012 LES STATISTIQUES INFERENTIELLES
LES STATISTIQUES INFERENTIELLES (test de Student) L inférence statistique est la partie des statistiques qui, contrairement à la statistique descriptive, ne se contente pas de décrire des observations,
Plus en détailModèles et Méthodes de Réservation
Modèles et Méthodes de Réservation Petit Cours donné à l Université de Strasbourg en Mai 2003 par Klaus D Schmidt Lehrstuhl für Versicherungsmathematik Technische Universität Dresden D 01062 Dresden E
Plus en détailModélisation aléatoire en fiabilité des logiciels
collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.
Plus en détailLe point de vue d une administration hospitalière Inka Moritz, Secrétaire générale
Spécialistes en santé publique? Le point de vue d une administration hospitalière Inka Moritz, Secrétaire générale Le CHUV est l employeur de 10 000 personnes Budget 1,4 milliard de frs 2 1 des 5 Hôpitaux
Plus en détailPROGRAMME (Susceptible de modifications)
Page 1 sur 8 PROGRAMME (Susceptible de modifications) Partie 1 : Méthodes des revues systématiques Mercredi 29 mai 2013 Introduction, présentation du cours et des participants Rappel des principes et des
Plus en détailTABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.
STATISTIQUE THÉORIQUE ET APPLIQUÉE Tome 2 Inférence statistique à une et à deux dimensions Pierre Dagnelie TABLE DES MATIÈRES Bruxelles, De Boeck, 2011, 736 p. ISBN 978-2-8041-6336-5 De Boeck Services,
Plus en détailMémoire d Actuariat Tarification de la branche d assurance des accidents du travail Aymeric Souleau aymeric.souleau@axa.com 3 Septembre 2010 Plan 1 Introduction Les accidents du travail L assurance des
Plus en détailTests statistiques et régressions logistiques sous R, avec prise en compte des plans d échantillonnage complexes
, avec prise en compte des plans d échantillonnage complexes par Joseph LARMARANGE version du 29 mars 2007 Ce cours a été développé pour une formation niveau M2 et Doctorat des étudiants du laboratoire
Plus en détailMaster Développement Durable et Organisations Master s degree in Sustainable Development and Organizations Dossier de candidature Application Form
Master Développement Durable et Organisations Master s degree in Sustainable Development and Organizations Dossier de candidature Application Form M / Mr Mme / Mrs Nom Last name... Nom de jeune fille Birth
Plus en détailCalcul élémentaire des probabilités
Myriam Maumy-Bertrand 1 et Thomas Delzant 1 1 IRMA, Université Louis Pasteur Strasbourg, France Licence 1ère Année 16-02-2006 Sommaire La loi de Poisson. Définition. Exemple. 1 La loi de Poisson. 2 3 4
Plus en détailModèle de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes
de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes Zohra Guessoum 1 & Farida Hamrani 2 1 Lab. MSTD, Faculté de mathématique, USTHB, BP n 32, El Alia, Alger, Algérie,zguessoum@usthb.dz
Plus en détail(51) Int Cl.: H04L 29/06 (2006.01) G06F 21/55 (2013.01)
(19) TEPZZ 8 8 4_A_T (11) EP 2 838 241 A1 (12) DEMANDE DE BREVET EUROPEEN (43) Date de publication: 18.02.1 Bulletin 1/08 (1) Int Cl.: H04L 29/06 (06.01) G06F 21/ (13.01) (21) Numéro de dépôt: 141781.4
Plus en détailÉtude des flux d individus et des modalités de recrutement chez Formica rufa
Étude des flux d individus et des modalités de recrutement chez Formica rufa Bruno Labelle Théophile Olivier Karl Lesiourd Charles Thevenin 07 Avril 2012 1 Sommaire Remerciements I) Introduction p3 Intérêt
Plus en détailNanoSense. Protocole Modbus de la sonde Particules P4000. (Version 01F)
NanoSense 123 rue de Bellevue, 92100 Boulogne Billancourt France Tél : 33-(0) 1 41 41 00 02, fax : 33-(0) 1 41 41 06 72 Protocole Modbus de la sonde Particules P4000 (Version 01F) Ver V01A V01B V01C V01D
Plus en détailQUEL AVENIR POUR LA PHARMACIE HOSPITALIERE EN SUISSE?
QUEL AVENIR POUR LA PHARMACIE HOSPITALIERE EN SUISSE? Regard critique sur nos filières de formation Symposium GSASA, Berne, 12 mai 2009 André Pannatier 1 PLAN 1. Les filières de formation de base et postdiplôme
Plus en détailCoup de Projecteur sur les Réseaux de Neurones
Coup de Projecteur sur les Réseaux de Neurones Les réseaux de neurones peuvent être utilisés pour des problèmes de prévision ou de classification. La représentation la plus populaire est le réseau multicouche
Plus en détailCAPTEURS - CHAINES DE MESURES
CAPTEURS - CHAINES DE MESURES Pierre BONNET Pierre Bonnet Master GSI - Capteurs Chaînes de Mesures 1 Plan du Cours Propriétés générales des capteurs Notion de mesure Notion de capteur: principes, classes,
Plus en détailMéthodes de Simulation
Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents
Plus en détailCouples de variables aléatoires discrètes
Couples de variables aléatoires discrètes ECE Lycée Carnot mai Dans ce dernier chapitre de probabilités de l'année, nous allons introduire l'étude de couples de variables aléatoires, c'est-à-dire l'étude
Plus en détailMODELES DE DUREE DE VIE
MODELES DE DUREE DE VIE Cours 1 : Introduction I- Contexte et définitions II- Les données III- Caractéristiques d intérêt IV- Evènements non renouvelables/renouvelables (unique/répété) I- Contexte et définitions
Plus en détailQue faire lorsqu on considère plusieurs variables en même temps?
Chapitre 3 Que faire lorsqu on considère plusieurs variables en même temps? On va la plupart du temps se limiter à l étude de couple de variables aléatoires, on peut bien sûr étendre les notions introduites
Plus en détailChapitre 2/ La fonction de consommation et la fonction d épargne
hapitre 2/ La fonction de consommation et la fonction d épargne I : La fonction de consommation keynésienne II : Validations et limites de la fonction de consommation keynésienne III : Le choix de consommation
Plus en détaildonnées en connaissance et en actions?
1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)
Plus en détail21 mars 2012. Simulations et Méthodes de Monte Carlo. DADI Charles-Abner. Objectifs et intérêt de ce T.E.R. Générer l'aléatoire.
de 21 mars 2012 () 21 mars 2012 1 / 6 de 1 2 3 4 5 () 21 mars 2012 2 / 6 1 de 2 3 4 5 () 21 mars 2012 3 / 6 1 2 de 3 4 5 () 21 mars 2012 4 / 6 1 2 de 3 4 de 5 () 21 mars 2012 5 / 6 de 1 2 3 4 5 () 21 mars
Plus en détailL'intelligence d'affaires: la statistique dans nos vies de consommateurs
L'intelligence d'affaires: la statistique dans nos vies de consommateurs Jean-François Plante, HEC Montréal Marc Fredette, HEC Montréal Congrès de l ACFAS, Université Laval, 6 mai 2013 Intelligence d affaires
Plus en détailTESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION
TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun
Plus en détailNON-LINEARITE ET RESEAUX NEURONAUX
NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail
Plus en détail1 Recherche en table par balayage
1 Recherche en table par balayage 1.1 Problème de la recherche en table Une table désigne une liste ou un tableau d éléments. Le problème de la recherche en table est celui de la recherche d un élément
Plus en détailL Econométrie des Données de Panel
Ecole Doctorale Edocif Séminaire Méthodologique L Econométrie des Données de Panel Modèles Linéaires Simples Christophe HURLIN L Econométrie des Données de Panel 2 Figure.: Présentation Le but de ce séminaire
Plus en détailMATHS FINANCIERES. Mireille.Bossy@sophia.inria.fr. Projet OMEGA
MATHS FINANCIERES Mireille.Bossy@sophia.inria.fr Projet OMEGA Sophia Antipolis, septembre 2004 1. Introduction : la valorisation de contrats optionnels Options d achat et de vente : Call et Put Une option
Plus en détailNombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN
Nombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN Table des matières. Introduction....3 Mesures et incertitudes en sciences physiques
Plus en détailArbres binaires de décision
1 Arbres binaires de décision Résumé Arbres binaires de décision Méthodes de construction d arbres binaires de décision, modélisant une discrimination (classification trees) ou une régression (regression
Plus en détail