SEMIN- Introduction au modèle linéaire mixte. Sébastien BALLESTEROS UMR 7625 Ecologie Evolution Equipe Eco-Evolution mathématique ENS Ulm, UPMS
|
|
- Amaury Grégoire
- il y a 8 ans
- Total affichages :
Transcription
1 SEMIN- Introduction au modèle linéaire mixte Sébastien BALLESTEROS UMR 7625 Ecologie Evolution Equipe Eco-Evolution mathématique ENS Ulm, UPMS SEMIN-R du MNHN 18 Décembre 2008
2 Introduction au modèle linéaire mixte Sébastien Ballesteros UMR 7625 Ecologie Evolution Équipe Eco-Evolution mathématique ENS Ulm, UPMC 18/12/2008 / Semin-R MNHN
3 Lignes directrices 1 Introduction Une longue introduction Une courte introduction 2 Applications Retour sur les rails Split-plot Facteurs emboîtés et comparaison de modèles (exemple chiens) Mesures répétées et structure de correlation (exemple rats)
4 Une longue introduction Lignes directrices 1 Introduction Une longue introduction Une courte introduction 2 Applications Retour sur les rails Split-plot Facteurs emboîtés et comparaison de modèles (exemple chiens) Mesures répétées et structure de correlation (exemple rats)
5 Une longue introduction Un premier exemple : data Rail (nlme) Mesure du temps de voyage d ultrasons le long de rails 4 3 Rail 6 mesure sur 6 rails 1 5 chaque rail est testé 3 fois Zero force travel time (nanoseconds) Question temps de voyage moyen pour un rail typique variation entre les rails variation au sein d un rail
6 Une longue introduction Un premier exemple : data Rail (nlme) Mesure du temps de voyage d ultrasons le long de rails 4 3 Rail 6 mesure sur 6 rails 1 5 chaque rail est testé 3 fois Zero force travel time (nanoseconds) Question temps de voyage moyen pour un rail typique variation entre les rails variation au sein d un rail
7 Une longue introduction Un premier modèle Y ij = µ + E ij, E ij N (0, σ 2 ) indépendants > model <- lm(travel~1,data=rail) > summary(model) Call : lm(formula = travel ~ 1, data = Rail)... Coefficients : Estimate Std. Error t value Pr(> t ) (Intercept) e-09 *** -- Signif. codes : 0 *** ** 0.01 * Residual standard error : on 17 degrees of freedom
8 Une longue introduction Un premier modèle Y ij = µ + E ij, E ij N (0, σ 2 ) indépendants > model <- lm(travel~1,data=rail) > summary(model) Call : lm(formula = travel ~ 1, data = Rail)... Coefficients : Estimate Std. Error t value Pr(> t ) (Intercept) e-09 *** -- Signif. codes : 0 *** ** 0.01 * Residual standard error : on 17 degrees of freedom
9 > model <- lm(travel~1,data=rail) Une longue introduction Un premier modèle Y ij = µ + E ij, E ij N (0, σ 2 ) indépendants residuals rail La variabilité entre les rails augmentent artificiellement la variabilité intra rail
10 Une longue introduction Prise en compte de l effet rail : ANOVA Y ij = µ i + E ij, E ij N (0, σ 2 ) indépendants > model2 <- lm(travel~rail-1, data=rail) Coefficients : Rail2 Rail5 Rail1 Rail6 Rail3 Rail Call : lm(formula = travel ~ Rail - 1, data = Rail)... Residual standard error : on 12 degrees of freedom Multiple R-squared : , Adjusted R-squared : F-statistic : on 6 and 12 DF, p-value : 2.971e-15
11 Une longue introduction Prise en compte de l effet rail : ANOVA Y ij = µ i + E ij, E ij N (0, σ 2 ) indépendants > model2 <- lm(travel~rail-1, data=rail) Coefficients : Rail2 Rail5 Rail1 Rail6 Rail3 Rail Call : lm(formula = travel ~ Rail - 1, data = Rail)... Residual standard error : on 12 degrees of freedom Multiple R-squared : , Adjusted R-squared : F-statistic : on 6 and 12 DF, p-value : 2.971e-15
12 Une longue introduction Prise en compte de l effet rail : ANOVA Y ij = µ i + E ij, E ij N (0, σ 2 ) indépendants residuals rail residus OK, on prend bien en compte l effet rails limite On ne considère que l échantillon spécifique de rails utilisés pour cette expérience alors que notre intérêt principale porte sur la population de rails dont est extrait notre échantillon. Par contre intéressant pour classer les rails.
13 Une longue introduction Prise en compte de l effet rail : ANOVA Y ij = µ i + E ij, E ij N (0, σ 2 ) indépendants residuals rail residus OK, on prend bien en compte l effet rails limite On ne considère que l échantillon spécifique de rails utilisés pour cette expérience alors que notre intérêt principale porte sur la population de rails dont est extrait notre échantillon. Par contre intéressant pour classer les rails.
14 Une longue introduction Modèle à effet aléatoire Y ij = µ + A i + E ij ; A i N (0, σ 2 a), E ij N (0, σ 2 ) A i échantillonné au hasard dans la population considérée les mesures faite sur le même rail partagent le même effet aléatoire, elles sont donc corrélées. > library(nlme) > model3 <- lme(travel ~ 1, data=rail, random= ~1 Rail) > summary(model3) Linear mixed-effects model fit by REML... Random effects : Formula : ~1 Rail (Intercept) Residual StdDev : Fixed effects : travel ~ 1 Value Std.Error DF t-value p-value (Intercept)
15 Une longue introduction Modèle à effet aléatoire Y ij = µ + A i + E ij ; A i N (0, σ 2 a), E ij N (0, σ 2 ) A i échantillonné au hasard dans la population considérée les mesures faite sur le même rail partagent le même effet aléatoire, elles sont donc corrélées. > library(nlme) > model3 <- lme(travel ~ 1, data=rail, random= ~1 Rail) > summary(model3) Linear mixed-effects model fit by REML... Random effects : Formula : ~1 Rail (Intercept) Residual StdDev : Fixed effects : travel ~ 1 Value Std.Error DF t-value p-value (Intercept)
16 Une longue introduction Modèle à effet aléatoire Y ij = µ + A i + E ij ; A i N (0, σ 2 a), E ij N (0, σ 2 ) A i échantillonné au hasard dans la population considérée les mesures faite sur le même rail partagent le même effet aléatoire, elles sont donc corrélées. > library(nlme) > model3 <- lme(travel ~ 1, data=rail, random= ~1 Rail) > summary(model3) Linear mixed-effects model fit by REML... Random effects : Formula : ~1 Rail (Intercept) Residual StdDev : Fixed effects : travel ~ 1 Value Std.Error DF t-value p-value (Intercept)
17 Une longue introduction Résultats > intervals(model3) Approximate 95% confidence intervals Fixed effects : lower est. upper (Intercept) attr(,"label") [1] "Fixed effects :" Random Effects : Level : Rail lower est. upper sd((intercept)) Within-group standard error : lower est. upper On a bien la variabilité inter σ 2 a et intra rail σ 2.
18 Une longue introduction Modèle à effet aléatoire : interprétation Y ij = µ + A i + E ij ; A i N (0, σ 2 a), E ij N (0, σ 2 )
19 Une courte introduction Lignes directrices 1 Introduction Une longue introduction Une courte introduction 2 Applications Retour sur les rails Split-plot Facteurs emboîtés et comparaison de modèles (exemple chiens) Mesures répétées et structure de correlation (exemple rats)
20 Une courte introduction Modèle linéaire avec mesures non indépendantes modèle linéaire classique : Y N n (XΘ, σ 2 I) on relaxe l hypothèse d indépendance : Y N n (XΘ, Σ) σ 2 1 σ 12 σ 1n σ 21 σ2 2 σ 2n Σ = σ n1 σ n2 σn 2
21 Une courte introduction Modèle linéaire avec mesures non indépendantes modèle linéaire classique : Y N n (XΘ, σ 2 I) on relaxe l hypothèse d indépendance : Y N n (XΘ, Σ) σ 2 1 σ 12 σ 1n σ 21 σ2 2 σ 2n Σ = σ n1 σ n2 σn 2
22 Retour sur les rails Lignes directrices 1 Introduction Une longue introduction Une courte introduction 2 Applications Retour sur les rails Split-plot Facteurs emboîtés et comparaison de modèles (exemple chiens) Mesures répétées et structure de correlation (exemple rats)
23 Retour sur les rails Modèle à effet aléatoire : quelques calculs Y ij = µ + A i + E ij ; A i N (0, σ 2 a), E ij N (0, σ 2 ) E[Y ij ] = µ E[Y ij A i ] = µ + A i V [Y ij ] = σ 2 a + σ 2 V [Y ij A i ] = σ 2 Cov[Y ij, Y ij ] = Cov[A i + E ij, A i + E ij ] = σ 2 a Cor[Y ij, Y ij ] = ρ = σ2 a σ 2 a+σ 2
24 Retour sur les rails Modèle à effet aléatoire : quelques calculs Y ij = µ + A i + E ij ; A i N (0, σ 2 a), E ij N (0, σ 2 ) E[Y ij ] = µ E[Y ij A i ] = µ + A i V [Y ij ] = σ 2 a + σ 2 V [Y ij A i ] = σ 2 Cov[Y ij, Y ij ] = Cov[A i + E ij, A i + E ij ] = σ 2 a Cor[Y ij, Y ij ] = ρ = σ2 a σ 2 a+σ 2
25 Retour sur les rails Modèle à effet aléatoire : quelques calculs Y ij = µ + A i + E ij ; A i N (0, σ 2 a), E ij N (0, σ 2 ) E[Y ij ] = µ E[Y ij A i ] = µ + A i V [Y ij ] = σ 2 a + σ 2 V [Y ij A i ] = σ 2 Cov[Y ij, Y ij ] = Cov[A i + E ij, A i + E ij ] = σ 2 a Cor[Y ij, Y ij ] = ρ = σ2 a σ 2 a+σ 2
26 Retour sur les rails Modèle à effet aléatoire : quelques calculs Y ij = µ + A i + E ij ; A i N (0, σ 2 a), E ij N (0, σ 2 ) E[Y ij ] = µ E[Y ij A i ] = µ + A i V [Y ij ] = σ 2 a + σ 2 V [Y ij A i ] = σ 2 Cov[Y ij, Y ij ] = Cov[A i + E ij, A i + E ij ] = σ 2 a Cor[Y ij, Y ij ] = ρ = σ2 a σ 2 a+σ 2 Y N n (µ1 n, Σ) avec, P 1 ρ ρ Σ = (σ 2 + σa) 2..., P = ρ 1 ρ P ρ ρ 1
27 Retour sur les rails Prédiction Pour l ANOVA classique,en prenant contraintes naturelles ( α i = 0) on a ˆα i = Y i Y Donc naturellement on aurait tendance à prendre  i = Y i Y mais... rappel ( ) (( ) ( )) A µa σ 2 Si N B 2, A σ AB µ B σ AB σb 2 alors, E(A B) = µ A + σ AB (B µ σb 2 B ) Y i N (µ, σ 2 a + σ2 J ) A i N (0, σ 2 a) donc E[A i Y i ] = On a donc Âi = σ2 a σa+σ 2 2 /J (Y i µ) ˆσ2 a ˆσ a+ˆσ 2 2 /J (Y i Y )
28 Retour sur les rails Prédiction Pour l ANOVA classique,en prenant contraintes naturelles ( α i = 0) on a ˆα i = Y i Y Donc naturellement on aurait tendance à prendre  i = Y i Y mais... rappel ( ) (( ) ( )) A µa σ 2 Si N B 2, A σ AB µ B σ AB σb 2 alors, E(A B) = µ A + σ AB (B µ σb 2 B ) Y i N (µ, σ 2 a + σ2 J ) A i N (0, σ 2 a) donc E[A i Y i ] = On a donc Âi = σ2 a σa+σ 2 2 /J (Y i µ) ˆσ2 a ˆσ a+ˆσ 2 2 /J (Y i Y )
29 Retour sur les rails Prédiction Pour l ANOVA classique,en prenant contraintes naturelles ( α i = 0) on a ˆα i = Y i Y Donc naturellement on aurait tendance à prendre  i = Y i Y mais... rappel ( ) (( ) ( )) A µa σ 2 Si N B 2, A σ AB µ B σ AB σb 2 alors, E(A B) = µ A + σ AB (B µ σb 2 B ) Y i N (µ, σ 2 a + σ2 J ) A i N (0, σ 2 a) donc E[A i Y i ] = On a donc Âi = σ2 a σa+σ 2 2 /J (Y i µ) ˆσ2 a ˆσ a+ˆσ 2 2 /J (Y i Y )
30 Retour sur les rails BLUP Best Linear Unbiased Predictor  i = ˆσ2 a ˆσ a+ˆσ 2 2 /J (Y i Y ) ˆσ a 2 ˆσ a+ˆσ 2 2 /J < 1 shrinkage > random.effects(model3) (Intercept)
31 Split-plot Lignes directrices 1 Introduction Une longue introduction Une courte introduction 2 Applications Retour sur les rails Split-plot Facteurs emboîtés et comparaison de modèles (exemple chiens) Mesures répétées et structure de correlation (exemple rats)
32 Split-plot Essai en champs sur des variétés d avoine 6 blocks, 3 variétés d avoines et 4 concentrations d azote
33 Split-plot Une ANOVA classique Y ijk = µ + α i + β j + (αβ) ij + γ k + (αγ) ik + (βγ) jk + E ijk. E ijk N (0, σ 2 ) > model <- aov(yield~block + Variety + Block :Variety + nitro + Block :nitro + Variety :nitro, data=oats) > summary(model) Df Sum Sq Mean Sq F value Pr(>F) Block e-10 *** Variety ** nitro e-14 *** Block :Variety ** Block :nitro Variety :nitro Residuals probleme : les effets block et variétés sont divisé par SCR alors qu ils se manifestent au niveau de la parcelle
34 Split-plot Une ANOVA classique Y ijk = µ + α i + β j + (αβ) ij + γ k + (αγ) ik + (βγ) jk + E ijk. E ijk N (0, σ 2 ) > model <- aov(yield~block + Variety + Block :Variety + nitro + Block :nitro + Variety :nitro, data=oats) > summary(model) Df Sum Sq Mean Sq F value Pr(>F) Block e-10 *** Variety ** nitro e-14 *** Block :Variety ** Block :nitro Variety :nitro Residuals probleme : les effets block et variétés sont divisé par SCR alors qu ils se manifestent au niveau de la parcelle
35 Split-plot Une ANOVA classique Y ijk = µ + α i + β j + (αβ) ij + γ k + (αγ) ik + (βγ) jk + E ijk. E ijk N (0, σ 2 ) > model <- aov(yield~block + Variety + Block :Variety + nitro + Block :nitro + Variety :nitro, data=oats) > summary(model) Df Sum Sq Mean Sq F value Pr(>F) Block e-10 *** Variety ** nitro e-14 *** Block :Variety ** Block :nitro Variety :nitro Residuals probleme : les effets block et variétés sont divisé par SCR alors qu ils se manifestent au niveau de la parcelle
36 Split-plot Avec modèle mixte Y ijk = µ + A i + β j + F ij + γ k + (βγ) jk + E ijk A i N (0, σ1 2), F ij N (0, σ2 2), E ijk N (0, σ 2 ) en R dispositif équilibré : aov sinon : lme
37 Split-plot Avec modèle mixte Y ijk = µ + A i + β j + F ij + γ k + (βγ) jk + E ijk A i N (0, σ1 2), F ij N (0, σ2 2), E ijk N (0, σ 2 ) en R dispositif équilibré : aov sinon : lme
38 Split-plot Fonction aov Y ijk = µ + A i + β j + F ij + γ k + (βγ) jk + E ijk A i N (0, σ 2 1 ), F ij N (0, σ 2 2 ), E ijk N (0, σ 2 ) > model <- aov(yield~nitro*variety +Error(Block/Variety), data=oats) > summary(model) Error : Block Df Sum Sq Mean Sq F value Pr(>F) Residuals Error : Block :Variety Df Sum Sq Mean Sq F value Pr(>F) Variety Residuals Error : Within Df Sum Sq Mean Sq F value Pr(>F) nitro e-14 *** nitro :Variety Residuals
39 Split-plot Fonction lme (library(nlme)) Y ijk = µ + A i + β j + F ij + γ k + (βγ) jk + E ijk A i N (0, σ 2 1 ), F ij N (0, σ 2 2 ), E ijk N (0, σ 2 ) > model <- lme(yield~nitro*variety, data=oats, random=~1 Block/Variety) > anova(model) numdf dendf F-value p-value (Intercept) <.0001 nitro <.0001 Variety nitro :Variety On a bien les bons degrès de libertés
40 Facteurs emboîtés et comparaison de modèles (exemple chiens) Lignes directrices 1 Introduction Une longue introduction Une courte introduction 2 Applications Retour sur les rails Split-plot Facteurs emboîtés et comparaison de modèles (exemple chiens) Mesures répétées et structure de correlation (exemple rats)
41 Facteurs emboîtés et comparaison de modèles (exemple chiens) Mesure d un traceur au cours du temps dans les ganglions lymphatiques de 10 Chiens >xyplot(pixel~day Dog) #library(lattice) pixel chiens testé 2 ganglions lymphatiques (gauche et droit) testé par chien mesures de la concentration d un traceur aucours du temps day
42 Facteurs emboîtés et comparaison de modèles (exemple chiens) Le modèle : lme Y ijt = µ + A i + β 1 d it + B i d it + β 2 d 2 it + C ij + E ijt > model <- lme(pixel~day +I(day^2), data=pixel, random=list(dog=~day, Side=~1)) > summary(model) Linear mixed-effects model fit by REML Random effects : Formula : ~day Dog Structure : General positive-definite, Log-Cholesky parametrization StdDev Corr (Intercept) (Intr) day Formula : ~1 Side %in% Dog (Intercept) Residual StdDev : Fixed effects : pixel ~ day + I(day^2) Value Std.Error DF t-value p-value (Intercept) day I(day^2)
43 Facteurs emboîtés et comparaison de modèles (exemple chiens) Le modèle : lme Y ijt = µ + A i + β 1 d it + B i d it + β 2 d 2 it + C ij + E ijt > model <- lme(pixel~day +I(day^2), data=pixel, random=list(dog=~day, Side=~1)) > summary(model) Linear mixed-effects model fit by REML Random effects : Formula : ~day Dog Structure : General positive-definite, Log-Cholesky parametrization StdDev Corr (Intercept) (Intr) day Formula : ~1 Side %in% Dog (Intercept) Residual StdDev : Fixed effects : pixel ~ day + I(day^2) Value Std.Error DF t-value p-value (Intercept) day I(day^2)
44 Facteurs emboîtés et comparaison de modèles (exemple chiens) Remarque : Maximum de vraisemblance restreint Y N n (XΘ, Σ) ˆΘ maximum de vraisemblance mais il faut estimer Σ Le probleme de l estimateur du maximum de vraisemblance de Σ est qu il est biaisé à cause de l estimation de Θ. On s arrange pour ne pas estimer Θ dans un premier temps maximum de vraisemblance restreint (ReML) Conséquence ReML pour comparaison de modèles ne comparer des modèles par test de modèle emboîté ou AIC...que pour des modèles ayant les même effets fixes sinon utiliser le ML (method= ML )
45 Facteurs emboîtés et comparaison de modèles (exemple chiens) Remarque : Maximum de vraisemblance restreint Y N n (XΘ, Σ) ˆΘ maximum de vraisemblance mais il faut estimer Σ Le probleme de l estimateur du maximum de vraisemblance de Σ est qu il est biaisé à cause de l estimation de Θ. On s arrange pour ne pas estimer Θ dans un premier temps maximum de vraisemblance restreint (ReML) Conséquence ReML pour comparaison de modèles ne comparer des modèles par test de modèle emboîté ou AIC...que pour des modèles ayant les même effets fixes sinon utiliser le ML (method= ML )
46 Facteurs emboîtés et comparaison de modèles (exemple chiens) Remarque : Maximum de vraisemblance restreint Y N n (XΘ, Σ) ˆΘ maximum de vraisemblance mais il faut estimer Σ Le probleme de l estimateur du maximum de vraisemblance de Σ est qu il est biaisé à cause de l estimation de Θ. On s arrange pour ne pas estimer Θ dans un premier temps maximum de vraisemblance restreint (ReML) Conséquence ReML pour comparaison de modèles ne comparer des modèles par test de modèle emboîté ou AIC...que pour des modèles ayant les même effets fixes sinon utiliser le ML (method= ML )
47 Facteurs emboîtés et comparaison de modèles (exemple chiens) Test de modèles emboîtés modèle 1 : Y ijt = µ + A i + β 1 d it + B i d it + β 2 d 2 it + C ij + E ijt On enlève au modèle 1 l effet aleatoire coté au sein de chaque chien modèle 2 : Y ijt = µ + A i + β 1 d it + B i d it + β 2 d 2 it + E ijt On enlève au modèle 1 l effet aléatoire sur la pente par chien modèle 3 : Y ijt = µ + A i + β 1 d it + β 2 d 2 it + C ij + E ijt > model1 <- lme(pixel~day +I(day^2), data=pixel, random=list(dog=~day, Side=~1)) > model2 <- lme(pixel~day +I(day^2), data=pixel, random= ~day Dog) > model3 <- lme(pixel~day +I(day^2), data=pixel, random=~1 Dog/Side) > anova(model1,model2) Model df AIC BIC loglik Test L.Ratio p-value model model vs <.0001 > anova(model1,model3) Model df AIC BIC loglik Test L.Ratio p-value model model vs <.0001
48 Facteurs emboîtés et comparaison de modèles (exemple chiens) Test de modèles emboîtés modèle 1 : Y ijt = µ + A i + β 1 d it + B i d it + β 2 d 2 it + C ij + E ijt On enlève au modèle 1 l effet aleatoire coté au sein de chaque chien modèle 2 : Y ijt = µ + A i + β 1 d it + B i d it + β 2 d 2 it + E ijt On enlève au modèle 1 l effet aléatoire sur la pente par chien modèle 3 : Y ijt = µ + A i + β 1 d it + β 2 d 2 it + C ij + E ijt > model1 <- lme(pixel~day +I(day^2), data=pixel, random=list(dog=~day, Side=~1)) > model2 <- lme(pixel~day +I(day^2), data=pixel, random= ~day Dog) > model3 <- lme(pixel~day +I(day^2), data=pixel, random=~1 Dog/Side) > anova(model1,model2) Model df AIC BIC loglik Test L.Ratio p-value model model vs <.0001 > anova(model1,model3) Model df AIC BIC loglik Test L.Ratio p-value model model vs <.0001
49 Facteurs emboîtés et comparaison de modèles (exemple chiens) Test de modèles emboîtés modèle 1 : Y ijt = µ + A i + β 1 d it + B i d it + β 2 d 2 it + C ij + E ijt On enlève au modèle 1 l effet aleatoire coté au sein de chaque chien modèle 2 : Y ijt = µ + A i + β 1 d it + B i d it + β 2 d 2 it + E ijt On enlève au modèle 1 l effet aléatoire sur la pente par chien modèle 3 : Y ijt = µ + A i + β 1 d it + β 2 d 2 it + C ij + E ijt > model1 <- lme(pixel~day +I(day^2), data=pixel, random=list(dog=~day, Side=~1)) > model2 <- lme(pixel~day +I(day^2), data=pixel, random= ~day Dog) > model3 <- lme(pixel~day +I(day^2), data=pixel, random=~1 Dog/Side) > anova(model1,model2) Model df AIC BIC loglik Test L.Ratio p-value model model vs <.0001 > anova(model1,model3) Model df AIC BIC loglik Test L.Ratio p-value model model vs <.0001
50 Facteurs emboîtés et comparaison de modèles (exemple chiens) Test de modèles emboîtés modèle 1 : Y ijt = µ + A i + β 1 d it + B i d it + β 2 d 2 it + C ij + E ijt On enlève au modèle 1 l effet aleatoire coté au sein de chaque chien modèle 2 : Y ijt = µ + A i + β 1 d it + B i d it + β 2 d 2 it + E ijt On enlève au modèle 1 l effet aléatoire sur la pente par chien modèle 3 : Y ijt = µ + A i + β 1 d it + β 2 d 2 it + C ij + E ijt > model1 <- lme(pixel~day +I(day^2), data=pixel, random=list(dog=~day, Side=~1)) > model2 <- lme(pixel~day +I(day^2), data=pixel, random= ~day Dog) > model3 <- lme(pixel~day +I(day^2), data=pixel, random=~1 Dog/Side) > anova(model1,model2) Model df AIC BIC loglik Test L.Ratio p-value model model vs <.0001 > anova(model1,model3) Model df AIC BIC loglik Test L.Ratio p-value model model vs <.0001
51 Facteurs emboîtés et comparaison de modèles (exemple chiens) Fit (modèle 1) >plot(augpred(model1)) /L 7/L 8/L 9/L 10/L /L 2/L 3/L 4/L 5/L Pixel intensity /R 7/R 8/R 9/R 10/R /R 2/R 3/R 4/R 5/R Time post injection (days)
52 Mesures répétées et structure de correlation (exemple rats) Lignes directrices 1 Introduction Une longue introduction Une courte introduction 2 Applications Retour sur les rails Split-plot Facteurs emboîtés et comparaison de modèles (exemple chiens) Mesures répétées et structure de correlation (exemple rats)
53 Mesures répétées et structure de correlation (exemple rats) Prise de poids de rats en fonction du régime alimentaire >results <- groupeddata(poids~temps rat,outer=~regime,data) >plot(results,outer=true) fort moyen poids atemoin faible rats testé 5 rat par traitement (4 traitement) 10 mesures, 1 par semaine sur chaque rat temps
54 Mesures répétées et structure de correlation (exemple rats) Le modèle : lme Y ijt = µ + α i + B ij + γ t + (αγ) ik + E ijt B ij N (0, σ 2 B ), E ijt N (0, σ 2 ) > model3 <- lme(poids~regime*as.factor(temps),data=results, random=~1 rat) > summary(model3) Linear mixed-effects model fit by REML Random effects : Formula : ~1 rat (Intercept) Residual StdDev : > anova(model3) numdf dendf F-value p-value (Intercept) <.0001 regime as.factor(temps) <.0001 regime :as.factor(temps)
55 Mesures répétées et structure de correlation (exemple rats) Correlations... P Σ = (σ 2 + σb 2)..., un block P (10*10) (10 temps) P par rat. 1 ρ ρ. P = ρ ρ ρ ρ 1 Toutes les mesures prises sur le même rat sont également corrélées Cor[Y ijt, Y ijt ] = ρ = σ2 B σ 2 B +σ2 On peut améliorer avec par exemple : Cor[Y ijt, Y ijt ] = ρ t t
56 Mesures répétées et structure de correlation (exemple rats) Structure de correlation et lme Cor[Y ijt, Y ijt ] = ρ t t > model4 <- lme(poids~regime*as.factor(temps),data=results, random=~1 rat, correlation=corar1()) Random effects : Formula : ~1 rat (Intercept) Residual StdDev : Correlation Structure : AR(1) Formula : ~1 rat Parameter estimate(s) : Phi comparaison de modèles > AIC(model3,model4) df AIC model model
57 Références Mixed-Effects Models in S ans S-PLUS ; José C. Pinheiro, Douglas M. Bates Modern Applied Statistics with S Fourth edition ; W. N. Venables and B. D. Ripley Statistical Methods for the Analysis of Repeated Measurements ; Charles S. Davis Ecological Models and data in R ; Benjamin M. Bolker The R book Michael J. Crawley Models for Ecological Data ; James S. Clark Statistique inférentielle Idée, démarche, exemples ; Jean-Jacques Daudin, Stéphane Robin, Colette Vuillet
Une 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 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 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 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 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 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 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 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 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 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 détailDensité de population et ingestion de nourriture chez un insecte vecteur de la maladie de Chagas
Fiche TD avec le logiciel : tdr335 Densité de population et ingestion de nourriture chez un insecte vecteur de la maladie de Chagas F. Menu, A.B. Dufour, E. Desouhant et I. Amat La fiche permet de se familiariser
Plus en détailExemples d Analyses de Variance avec R
Exemples d Analyses de Variance avec R Christophe Pallier 5 août 00 Résumé R est un logiciel d analyse statistique qui fournit toutes les procédures usuelles (t-tests, anova, tests non paramétriques...)
Plus en détailDidacticiel - Études de cas. Description de quelques fonctions du logiciel PSPP, comparaison des résultats avec ceux de Tanagra, R et OpenStat.
1 Objectif Description de quelques fonctions du logiciel PSPP, comparaison des résultats avec ceux de Tanagra, R et OpenStat. Tout le monde l aura compris, je passe énormément de temps à analyser les logiciels
Plus en détailAnalyse de variance à deux facteurs (plan inter-sujets à deux facteurs) TP9
Analyse de variance à deux facteurs (plan inter-sujets à deux facteurs) TP9 L analyse de variance à un facteur permet de vérifier, moyennant certaines hypothèses, si un facteur (un critère de classification,
Plus en détailIntroduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
Plus en détailDonnées 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 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 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 détailINTRODUCTION À L'ENVIRONNEMENT DE PROGRAMMATION STATISTIQUE R
INTRODUCTION À L'ENVIRONNEMENT DE PROGRAMMATION STATISTIQUE R Y. BROSTAUX (1) RÉSUMÉ Cette note constitue une introduction au langage et à l'environnement de programmation 5 dans sa version 1.4.1 pour
Plus en détailStatistiques. Rappels de cours et travaux dirigés. Master 1 Biologie et technologie du végétal. Année 2010-2011
Master 1 Biologie et technologie du végétal Année 010-011 Statistiques Rappels de cours et travaux dirigés (Seul ce document sera autorisé en examen) auteur : Jean-Marc Labatte jean-marc.labatte@univ-angers.fr
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 détailAnalyse discriminante et régression logistique: application au cas de l innovation pour les entreprises du Canton du Tessin
Analyse discriminante et régression logistique: application au cas de l innovation pour les entreprises du Canton du Tessin Sandro Petrillo Université de Neuchâtel - Diplôme Postgrade en Statistique Projet
Plus en détailRégression linéaire. Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr
Régression linéaire Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr 2005 Plan Régression linéaire simple Régression multiple Compréhension de la sortie de la régression Coefficient de détermination R
Plus en détailBureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr
Dominique Muller Laboratoire Inter-universitaire de Psychologie Bureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr Supports de cours : webcom.upmf-grenoble.fr/lip/perso/dmuller/m2r/acm/
Plus en détail4. Résultats et discussion
17 4. Résultats et discussion La signification statistique des gains et des pertes bruts annualisés pondérés de superficie forestière et du changement net de superficie forestière a été testée pour les
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 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 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 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 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 détailÉvaluation de la régression bornée
Thierry Foucart UMR 6086, Université de Poitiers, S P 2 M I, bd 3 téléport 2 BP 179, 86960 Futuroscope, Cedex FRANCE Résumé. le modèle linéaire est très fréquemment utilisé en statistique et particulièrement
Plus en détailApproche modèle pour l estimation en présence de non-réponse non-ignorable en sondage
Approche modèle pour l estimation en présence de non-réponse non-ignorable en sondage Journées de Méthodologie Statistique Eric Lesage Crest-Ensai 25 janvier 2012 Introduction et contexte 2/27 1 Introduction
Plus en détailTABLE DES MATIÈRES. PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats. Pierre Dagnelie
PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats Pierre Dagnelie TABLE DES MATIÈRES 2012 Presses agronomiques de Gembloux pressesagro.gembloux@ulg.ac.be www.pressesagro.be
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 détailModèles Estimés sur Données de Panel
Modèles Estimés sur Données de Panel Introduction Il est fréquent en économétrie qu on ait à composer avec des données à deux dimensions : - une dimension chronologique - une dimension spatiale Par exemple,
Plus en détailINTRODUCTION AU LOGICIEL R
INTRODUCTION AU LOGICIEL R Variables et mise en jambe Anne Dubois, Julie Bertrand, Emmanuelle Comets emmanuelle.comets@inserm.fr INSERM UMR738 (UMR738) 1 / 68 Sur le site www.cran.r-project.org : Ou trouver
Plus en détailC algèbre d un certain groupe de Lie nilpotent.
Université Paul Verlaine - METZ LMAM 6 décembre 2011 1 2 3 4 Les transformations de Fourier. Le C algèbre de G/ Z. Le C algèbre du sous-groupe G 5 / vect{u,v }. Conclusion. G un groupe de Lie, Ĝ l ensemble
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 détailBIG Data et R: opportunités et perspectives
BIG Data et R: opportunités et perspectives Guati Rizlane 1 & Hicham Hajji 2 1 Ecole Nationale de Commerce et de Gestion de Casablanca, Maroc, rguati@gmail.com 2 Ecole des Sciences Géomatiques, IAV Rabat,
Plus en détailNotes de cours Statistique avec le logiciel R
Notes de cours Statistique avec le logiciel R Shuyan LIU Shuyan.Liu@univ-paris1.fr http ://samm.univ-paris1.fr/shuyan-liu-enseignement Année 2013-2014 Chapitre 1 Introduction L objectif de ce cours est
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 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 détailFORMULAIRE DE STATISTIQUES
FORMULAIRE DE STATISTIQUES I. STATISTIQUES DESCRIPTIVES Moyenne arithmétique Remarque: population: m xμ; échantillon: Mx 1 Somme des carrés des écarts "# FR MOYENNE(série) MOYENNE(série) NL GEMIDDELDE(série)
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 détailThéorie des sondages : cours 5
Théorie des sondages : cours 5 Camelia Goga IMB, Université de Bourgogne e-mail : camelia.goga@u-bourgogne.fr Master Besançon-2010 Chapitre 5 : Techniques de redressement 1. poststratification 2. l estimateur
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 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 détailChapitre 4 : Régression linéaire
Exercice 1 Méthodes statistiques appliquées aux sciences sociales (STAT-D-203) Titulaire : Catherine Vermandele Chapitre 4 : Régression linéaire Le diplôme de Master of Business Administration ou MBA est
Plus en détailMaster 2: Econométrie 2
Master 2: Econométrie 2 Partie 1 Michel BEINE michel.beine@uni.lu Université du Luxembourg Master 2: Econométrie 2 p. 1/22 Manuel La partie économétrique du cours est basé sur le livre Introductory Econometrics,
Plus en détailRelation entre deux variables : estimation de la corrélation linéaire
CHAPITRE 3 Relation entre deux variables : estimation de la corrélation linéaire Parmi les analyses statistiques descriptives, l une d entre elles est particulièrement utilisée pour mettre en évidence
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Gilles Gasso, Stéphane Canu INSA Rouen -Département ASI Laboratoire LITIS 8 septembre 205. Ce cours est librement inspiré du cours DM de Alain Rakotomamonjy Gilles Gasso, Stéphane
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 détailStatistiques descriptives
Statistiques descriptives L3 Maths-Eco Université de Nantes Frédéric Lavancier F. Lavancier (Univ. Nantes) Statistiques descriptives 1 1 Vocabulaire de base F. Lavancier (Univ. Nantes) Statistiques descriptives
Plus en détailProbabilité et Statistique pour le DEA de Biosciences. Avner Bar-Hen
Probabilité et Statistique pour le DEA de Biosciences Avner Bar-Hen Université Aix-Marseille III 2000 2001 Table des matières 1 Introduction 3 2 Introduction à l analyse statistique 5 1 Introduction.................................
Plus en détailK. Ammar, F. Bachoc, JM. Martinez. Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau
Apport des modèles de krigeage à la simulation numérique K Ammar, F Bachoc, JM Martinez CEA-Saclay, DEN, DM2S, F-91191 Gif-sur-Yvette, France Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau Apport des
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 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 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 détailModèles bi-dimensionnels de coques linéairement élastiques: Estimations de l écart entre leurs solutions.
Problèmes mathématiques de la mécanique/mathematical problems in Mechanics Modèles bi-dimensionnels de coques linéairement élastiques: Estimations de l écart entre leurs solutions. Cristinel Mardare Laboratoire
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 détailRégression logistique. Benoit Crabbé
Plan 1 Modèles linéaires généralisés 2 multinomiale 3 Modèles à effets aléatoires 4 Predicting the dative alternation Modèle A (les variables corrélées) Modèle A (variabilité des sujets) Modèle B (variabilité
Plus en détailProjet de thèse. Intitulé de la thèse. Spécialité du doctorat. Problématique scientifique générale
Projet de thèse Intitulé de la thèse Détection automatisée de signaux en pharmacovigilance : Exploitation conjointe de données de notifications spontanées et médico- administratives. Spécialité du doctorat
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 détailData Mining. Vincent Augusto 2012-2013. École Nationale Supérieure des Mines de Saint-Étienne. Data Mining. V. Augusto.
des des Data Mining Vincent Augusto École Nationale Supérieure des Mines de Saint-Étienne 2012-2013 1/65 des des 1 2 des des 3 4 Post-traitement 5 représentation : 6 2/65 des des Définition générale Le
Plus en détailLe Data Mining au service du Scoring ou notation statistique des emprunteurs!
France Le Data Mining au service du Scoring ou notation statistique des emprunteurs! Comme le rappelle la CNIL dans sa délibération n 88-083 du 5 Juillet 1988 portant adoption d une recommandation relative
Plus en détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détailBiostatistiques Biologie- Vétérinaire FUNDP Eric Depiereux, Benoît DeHertogh, Grégoire Vincke
www.fundp.ac.be/biostats Module 140 140 ANOVA A UN CRITERE DE CLASSIFICATION FIXE...2 140.1 UTILITE...2 140.2 COMPARAISON DE VARIANCES...2 140.2.1 Calcul de la variance...2 140.2.2 Distributions de référence...3
Plus en détailLe risque Idiosyncrasique
Le risque Idiosyncrasique -Pierre CADESTIN -Magali DRIGHES -Raphael MINATO -Mathieu SELLES 1 Introduction Risque idiosyncrasique : risque non pris en compte dans le risque de marché (indépendant des phénomènes
Plus en détailTP de Statistiques: Utilisation du logiciel R
TP de Statistiques: Utilisation du logiciel R Année 2006-2007 2 Table des matières Introduction i 1 Premiers pas avec R 1 1.1 R est une calculatrice............................................. 1 1.2 R
Plus en détailTests du χ 2. on accepte H 0 bonne décision erreur de seconde espèce on rejette H 0 erreur de première espèce bonne décision
Page n 1. Tests du χ 2 une des fonctions des statistiques est de proposer, à partir d observations d un phénomène aléatoire (ou modélisé comme tel) une estimation de la loi de ce phénomène. C est que nous
Plus en détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
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 détail$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU
$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU Fabien FIGUERES fabien.figueres@mpsa.com 0RWVFOpV : Krigeage, plans d expériences space-filling, points de validations, calibration moteur. 5pVXPp Dans le
Plus en détailExamen de Logiciels Statistiques
G. Hunault Angers, mai 2011 Licence MEF Examen de Logiciels Statistiques On s intéresse ici au dossier EAEF01 qui contient un extrait des données du recensement américain. On trouvera ces données et leur
Plus en détailData mining II. Modélisation Statistique & Apprentissage
Publications du Laboratoire de Statistique et Probabilités Data mining II. Modélisation Statistique & Apprentissage Philippe BESSE Version janvier 2003 mises à jour : www.lsp.ups-tlse.fr/besse Laboratoire
Plus en détailExercice : la frontière des portefeuilles optimaux sans actif certain
Exercice : la frontière des portefeuilles optimaux sans actif certain Philippe Bernard Ingénierie Economique & Financière Université Paris-Dauphine Février 0 On considère un univers de titres constitué
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 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 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 détailValue at Risk. CNAM GFN 206 Gestion d actifs et des risques. Grégory Taillard. 27 février & 13 mars 20061
Value at Risk 27 février & 13 mars 20061 CNAM Gréory Taillard CNAM Master Finance de marché et estion de capitaux 2 Value at Risk Biblioraphie Jorion, Philippe, «Value at Risk: The New Benchmark for Manain
Plus en détailCours 9 : Plans à plusieurs facteurs
Cours 9 : Plans à plusieurs facteurs Table des matières Section 1. Diviser pour regner, rassembler pour saisir... 3 Section 2. Définitions et notations... 3 2.1. Définitions... 3 2.2. Notations... 4 Section
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 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 détailRévision des équations hédoniques relatives aux prix des ordinateurs
Révision des équations hédoniques relatives aux prix des ordinateurs Fred Barzyk Division des prix Statistique Canada Immeuble Jean-Talon, 13-C2, Ottawa K1A 0T6 Télécopieur : (613) 951-2848 Téléphone :
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 détailStatistique Bayésienne
Statistique Bayésienne Éléments de Culture Générale Lionel RIOU FRANÇA INSERM U669 Mai 2009 Lionel RIOU FRANÇA (INSERM U669) Statistique Bayésienne Mai 2009 1 / 139 Sommaire Sommaire 1 Approche Bayésienne
Plus en détailEXPLOITATIONS PEDAGOGIQUES DU TABLEUR EN STG
Exploitations pédagogiques du tableur en STG Académie de Créteil 2006 1 EXPLOITATIONS PEDAGOGIQUES DU TABLEUR EN STG Commission inter-irem lycées techniques contact : dutarte@club-internet.fr La maquette
Plus en détailLe signal GPS. Les horloges atomiques à bord des satellites GPS produisent une fréquence fondamentale f o = 10.23 Mhz
Le signal GPS Les horloges atomiques à bord des satellites GPS produisent une fréquence fondamentale f o = 10.23 Mhz Deux signaux en sont dérivés: L1 (fo x 154) = 1.57542 GHz, longueur d onde = 19.0 cm
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 détailStatistiques Appliquées à l Expérimentation en Sciences Humaines. Christophe Lalanne, Sébastien Georges, Christophe Pallier
Statistiques Appliquées à l Expérimentation en Sciences Humaines Christophe Lalanne, Sébastien Georges, Christophe Pallier Table des matières 1 Méthodologie expérimentale et recueil des données 6 1.1 Introduction.......................................
Plus en détailAICp. Vincent Vandewalle. To cite this version: HAL Id: inria-00386678 https://hal.inria.fr/inria-00386678
Sélection prédictive d un modèle génératif par le critère AICp Vincent Vandewalle To cite this version: Vincent Vandewalle. Sélection prédictive d un modèle génératif par le critère AICp. 41èmes Journées
Plus en détailAnalyse en Composantes Principales
Analyse en Composantes Principales Anne B Dufour Octobre 2013 Anne B Dufour () Analyse en Composantes Principales Octobre 2013 1 / 36 Introduction Introduction Soit X un tableau contenant p variables mesurées
Plus en détailEtude d un cas industriel : Optimisation de la modélisation de paramètre de production
Revue des Sciences et de la Technologie RST- Volume 4 N 1 /janvier 2013 Etude d un cas industriel : Optimisation de la modélisation de paramètre de production A.F. Bernate Lara 1, F. Entzmann 2, F. Yalaoui
Plus en détail(Customer Relationship Management, «Gestion de la Relation Client»)
(Customer Relationship Management, «Gestion de la Relation Client») Les Banques et sociétés d assurance sont aujourd'hui confrontées à une concurrence de plus en plus vive et leur stratégie " clientèle
Plus en détailApprentissage non paramétrique en régression
1 Apprentissage non paramétrique en régression Apprentissage non paramétrique en régression Résumé Différentes méthodes d estimation non paramétriques en régression sont présentées. Tout d abord les plus
Plus en détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Plus en détailEFFICACITÉ ET INNOCUITÉ D UN MÉDICAMENT CONTRE LA MPOC COMPARATIVEMENT À UN CONTRÔLE
MICHÈLE PICARD FLIBOTTE EFFICACITÉ ET INNOCUITÉ D UN MÉDICAMENT CONTRE LA MPOC COMPARATIVEMENT À UN CONTRÔLE Essai-stage présenté à la Faculté des études supérieures de l Université Laval dans le cadre
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 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 détail