Validation des modèles statistiques dans l analyse de données longitudinales
|
|
- Gilles Gauvin
- il y a 8 ans
- Total affichages :
Transcription
1 Validation des modèles statistiques dans l analyse de données longitudinales C. Lopez (Institut de l Elevage) Service Biométrie (CL) 1
2 Quels modèles? Service Biométrie (CL) 2
3 Les outils diagnostics (modèles à effets fixes) Service Biométrie (CL) 3
4 ( 2 ) Y = X β + ε ε N 0, σ I ( ) ( ) ( ) 2 2 var I H I X X' X X' r r i = = ε ˆ = σ = σ * i 2 i 2 ˆ (1 h ii) σ εˆ i σˆ εˆ Résidus studentisés ti Résidus studentisés externe Résidus de Pearson (résidus de Cholesky) Service Biométrie (CL) 4
5 Mesure de l influence des observations analyse avec et sans l observation i et on compare Service Biométrie (CL) 5
6 Influence globale ( ) 2 i ˆ ( i) PRESS = y y Influence sur l estimation de β Cook D = r 2 i i 1 h ii ( ) ( ii) rang X 1 h DFFITS i = t i h ii 1 h ii Autres statistiques Service Biométrie (CL) 6
7 Influence sur la précision des estimations de β cov ratio ( ) β = ˆ var ˆ var ˆ ( i) β βˆ Service Biométrie (CL) 7
8 Les outils diagnostics (modèles mixtes) Service Biométrie (CL) 8
9 Y = Xβ + Zγ + ε Var(γ) = G var(ε) =R Y γ N Xβ + Z γ ; R Y N X β ; ZGZ'+R Deux types de résidus Service Biométrie (CL) 9
10 rc = Y Xβˆ Zγˆ Résidus conditionnels = βˆ rm Y X Résidus marginaux sorties différentes pour les deux types de résidus Service Biométrie (CL) 10
11 La structure de variance-covariance influe sur les estimations des effets fixes 1- modélisation de la structure de variance-covariance 2- modélisation des effets fixes Analyse de l influence des observations plus complexe Service Biométrie (CL) 11
12 Mesure de l influence des observations Dans le cas de l analyse de données longitudinales on s intéresse à l influence des individus clusters plutôt qu à l influence d observations isolées Service Biométrie (CL) 12
13 Mêmes statistiques d influence que dans le cas du modèle à effets fixes (1) Appliquées aux paramètres β et aux paramètres de variance-covariance G et R (1) + «Likelihood displacement (Cook (1986))» Service Biométrie (CL) 13
14 ESSAI 'SYSTEME' CRECOM Comparaison de 2 conduites alimentaires en station expérimentale 2 systèmes fourragers : 25% Maïs (Trait=1 ; n=23) vs 50% Maïs (Trait=2 ; n=31) 3 périodes de vêlage : été (sais=1 ; n=19), hiver (sais=2 ; n=24), printemps (sais=3 ; n=11) Rang de lactation : primipares (Parite= P ; n=23), multipares (Parite= M ; n=31) Critère : la production laitière [kg/j] 54 vaches Prim'Holstein 36 productions quotidiennes moyennes/semaine Service Biométrie (CL) 14
15 Les données Service Biométrie (CL) 15
16 Année (Trait 1) Lait [kg/j] semaine Service Biométrie (CL) 16
17 Année (Trait 2) Lait [kg/j] semaine Service Biométrie (CL) 17
18 Année (saison 1) Lait [kg/j] semaine Service Biométrie (CL) 18
19 Année (saison 2) Lait [kg/j] semaine Service Biométrie (CL) 19
20 Année (saison 3) Lait [kg/j] semaine Service Biométrie (CL) 20
21 Année (primipares) Lait [kg/j] semaine Service Biométrie (CL) 21
22 Année (multipares) Lait [kg/j] semaine Service Biométrie (CL) 22
23 Réponse : profil de mesures hebdomadaires. Analyse sur variables résumées de la lactation Modèle de WOOD (1967) β δ*t yt = α * t * e 0 < α, β, δ < 1 Service Biométrie (CL) 23
24 Modèle de Wood α Production initiale LB ( β+ 1) δ chute t (semaines) β/δ stade du pic Service Biométrie (CL) 24
25 Le modèle statistique Service Biométrie (CL) 25
26 z = Log (y ) = α % + β Log (t) δ t t e t * e * Z ijku (t) i : régime alimentaire j : parité (primipares / multipares) k : saison(1, 2, 3)) u : vache (ijk) Modèle à coefficients aléatoires z (t) = α % + β Log (t) δ t Xβ ijku ijk ijk * e ijk * +α % + β Log (t) δ t Zγ u(ijk) u(ijk) * e u(ijk) * +ε (t) ε ijku Service Biométrie (CL) 26
27 La structure de variance-covariance α δ u(ijk) ( ) γ u(ijk) = βu(ijk) u(ijk) i.i.d. N 0 ; G u(ijk) G : type = UN ε(1) ijku (2) ijku ε ε ijku =... i.i.d. N(0 ; R) u(ijk) ε(36) ijku R : type = AR(1) Service Biométrie (CL) 27
28 1- Modélisation de la structure de variance-covariance (modèle saturé en Xβ) 2- Modélisation de la partie fixe du modèle Service Biométrie (CL) 28
29 1- Modélisation de la structure de variance-covariance (modèle saturé en Xβ) Test de différentes structures de matrices R 2LL_RES Khi-Deux ν p ARH(1) 4364,5 AR(1) 4148,4 216,1 35 5,8583E-28 VC 3177,5 970,9 1 3,7988E-213 Service Biométrie (CL) 29
30 variances résiduelles(t) 0,035 0,030 0,025 0,020 0,015 0,014 0,010 0, var_arh(1) var_ar Service Biométrie (CL) 30
31 Estimation de la matrice G (modèle saturé en Xβ) paramètres estimés variance-covariance Erreur Parm cov Estimation type Valeur Z Pr Z UN(1,1) σ2(α) UN(2,1) σ(αβ) UN(2,2) σ2(β) UN(3,1) σ(αδ) UN(3,2) σ(βδ) UN(3,3) σ2(δ) AR(1) ρ <.0001 Residual ε <.0001 Service Biométrie (CL) 31
32 Test de différentes structures de matrices G (simplification du modèle) Modélisation de la structure de variance-covariance 2LL_RES Khi-Deux ν p UN(α,β,δ) 4131,4 UN(α,δ) 4122,9 8,5 3 0,037 UN(α,β) 4116,2 15,2 3 0,002 Service Biométrie (CL) 32
33 2. Tests des effets fixes Service Biométrie (CL) 33
34 α β δ Type 3 Tests des effets fixes Effet Num DF Den DDL F Value Pr > F t <.0001 L_t <.0001 TRAIT parite <.0001 SAIS TRAIT*parite TRAIT*SAIS parite*sais L_t*TRAIT L_t*parite L_t*SAIS L_t*TRAIT*parite L_t*TRAIT*SAIS L_t*parite*SAIS t*trait t*parite t*sais t*trait*parite t*trait*sais t*parite*sais Service Biométrie (CL) 34
35 Statistiques sur les paramètres-résumés des courbes TRAIT 1 TRAIT 2 est S est S α_est [kg/j] 22,4 0,8 23,5 0,6 stade_pic [sem] 8,8 0,6 8,0 0,5 chute 1,3% 2,7% 1,4% 2,7% Service Biométrie (CL) 35
36 Lactations observées et prédites(traitement) 40,0 35,0 30,0 Lait [kg/j] 25,0 20,0 15,0 10, semaine Service Biométrie (CL) 36
37 Lactations observées et prédites(saisons) 40,0 35,0 30,0 Lait [kg/j] 25,0 20,0 15,0 10, semaine Service Biométrie (CL) 37
38 Lactations observées et prédites(parité) 40,0 35,0 30,0 Lait [kg/j] 25,0 20,0 15,0 10, semaine Service Biométrie (CL) 38
39 Validation du modèle Service Biométrie (CL) 39
40 Service Biométrie (CL) 40
41 Quelques courbes «influentes» Service Biométrie (CL) 41
42 vache 402(1, P, été ; n=5) 45,0 40,0 35,0 30,0 25,0 20,0 15,0 10, : Distance REML = 4,192 ; D Cook = 0,073 ; COVRATIO = 0,283 (min) Service Biométrie (CL) 42
43 vache 7(2, P, été ; n=7) 45,0 40,0 35,0 30,0 25,0 20,0 15,0 10, : Distance REML = 2,227 ;PRESS = 2,282 ; COVRATIO = 0,383 Service Biométrie (CL) 43
44 vache 351(1, M, été ; n=3) 45,0 40,0 35,0 30,0 25,0 20,0 15,0 10, : Distance REML = 6,025 ; D Cook = 0,124 ; COVRATIO = 0,426 Service Biométrie (CL) 44
45 vache 16(1, P, hiver ; n=1) 45,0 40,0 35,0 30,0 25,0 20,0 15,0 10, : Distance REML = 8,687 (max) ; PRESS = 2,147 ; D Cook = 0,248 (max) Service Biométrie (CL) 45
46 vache 367, 365 et 316 (1, M, hiver ; n=9) 55,0 50,0 45,0 40,0 35,0 30,0 25,0 20,0 15,0 10, : PRESS = 3,204 ; COVRATIO = 0, : PRESS = 4,685 (max) ; COVRATIO = 0, : Distance REML = 0,068 ; PRESS = 0,234 ; D Cook = 0,000 ; COVRATIO =2,914 Service Biométrie (CL) 46
47 vaches 11 et 13 (1, P, printemps ; 4) 45,0 40,0 35,0 30,0 25,0 20,0 15,0 10, : PRESS = 3, : Distance REML = 3,163 ; D Cook = 0,078 ; COVRATIO = 0,554 Service Biométrie (CL) 47
48 L influence sur les paramètres des effets fixes Service Biométrie (CL) 48
49 Service Biométrie (CL) 49
50 Éléments de bibliographie - Cook, R.D. (1986) : Assessement of local influence, Journal of the Royal Statistical Society, Series B, 48, Verbeke, G. et Molenberghs, G. (2000) : Linear mixed models for Longitudinal data. New-York: Springer - Fitzmaurice, G. M., Laird, N. M., Ware, J.H., (2004) : Applied longitudinal analysis. John Wiley & Sons. New-York Service Biométrie (CL) 50
Modèles 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 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 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 détailProduire avec de l'herbe Du sol à l'animal
GUIDE PRATIQUE DE L'ÉLEVEUR Produire avec de l'herbe Du sol à l'animal avril 2011 BRETAGNE PAYS DE LA LOIRE SOMMAIRE Paroles d éleveurs 4 Quelle place donner à l herbe Le choix d un système fourrager 8
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 détailCAPRINS LAITIERS + BOVINS VIANDE ENSILAGE DE MAÏS
CLBV AQMP02 CAPRINS LAITIERS + BOVINS VIANDE ENSILAGE DE MAÏS 2 UMO sur 39 ha avec 200 chèvres produisant 160 000 litres de lait et engraissement de 40 génisses Ce système se rencontre principalement dans
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 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 détailTrajectoires laitières
Trajectoires laitières Yannick PECHUZAL Lot Conseil Elevage 13 mars 2014 Cantal 2100 producteurs de lait 1000 élevages mixtes 420 ML 5 AOP fromagères Filière Collecte : 360 Ml 60% SODIAAL et assimilés
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 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 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 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 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 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 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 détailOptimisation et programmation mathématique. Professeur Michel de Mathelin. Cours intégré : 20 h
Télécom Physique Strasbourg Master IRIV Optimisation et programmation mathématique Professeur Michel de Mathelin Cours intégré : 20 h Programme du cours d optimisation Introduction Chapitre I: Rappels
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 détailSystèmes bovins laitiers en Poitou-Charentes
R E F E R E N C E S Systèmes bovins laitiers en Poitou-Charentes Avril 2008 Les cas-types... mode d emploi R E F E R E N C E S Vous avez dit cas-type? Un cas-type est une exploitation représentative d'un
Plus en détailPOURQUOI VISIOLYS? SOMMAIRE VOUS PROPOSE : Un monde qui bouge COMPRENDRE. Analyses et adaptations SE REPÉRER SE PROJETER ET CHOISIR
POURQUOI VISIOLYS? EXPERTISE STRATÉGIE ÉCONOMIE Visiolys est né de la volonté commune des deux entreprises de conseil en élevage Clasel et Eilyps de se projeter dans un monde en pleine mutation, de permettre
Plus en détailPREPROCESSING PAR LISSAGE LOESS POUR ACP LISSEE
PREPROCESSING PAR LISSAGE LOESS POUR ACP LISSEE Jean-Paul Valois, Claude Mouret & Nicolas Pariset Total, 64018 Pau Cédex MOTS CLEFS : Analyse spatiale, ACP, Lissage, Loess PROBLEMATIQUE En analyse multivariée,
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 détailAVEZ-VOUS PENSÉ À L ALIMENTATION À LA DÉROBÉE?
AVEZ-VOUS PENSÉ À L ALIMENTATION À LA DÉROBÉE? Traduit de: PRODUCERS MIGHT WANT TO CONSIDER CREEP FEEDING Auteur: Stephen B. Blezinger, Ph.D., PAS (Copyright 2015 Dr. Stephen B. Blezinger) Adapté en français
Plus en détailACTION N 1 Réseau d élevages bovins laitiers en Agrobiologie
ACTION N 1 Réseau d élevages bovins laitiers en Agrobiologie Capacité d adaptation des systèmes en Agriculture Biologique aux épisodes de sécheresse AUTONOMIE ALIMENTAIRE Maître d œuvre : Chambres d Agriculture
Plus en détailEn zones herbagères, un système spécialisé lait, tout herbe
Cas type HL 1 En zones herbagères, un système spécialisé lait, tout herbe Rouen Évreux Amiens Beauvais Arras Lille Laon Culture à faible densité d'élevage Herbagère à forte densité d'élevage Mixte à moyenne
Plus en détailLa prévention des intoxications dans les silos à fourrage
La prévention des intoxications dans les silos à fourrage Ali Bahloul, Brigitte Roberge et Nicole Goyer / IRSST Mauricio Chavez et Marcelo Reggio / École polytechnique de Montréal Avec la collaboration
Plus en détailPROBABILITES ET STATISTIQUE I&II
PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits
Plus en détailAccès aux services et structuration des éleveurs laitiers du département de Dagana Asstel Dagana Réflexions phase 2 Comité pilotage du 24 avril 2015
Accès aux services et structuration des éleveurs laitiers du département de Dagana Asstel Dagana Réflexions phase 2 Comité pilotage du 24 avril 2015 Un projet soutenu par : Avec la participation de : Quelques
Plus en détailFIMA, 7 juillet 2005
F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation
Plus en détailGestion du niveau de la franchise d un contrat avec bonus-malus. Pierre THEROND & Stéphane BONCHE
Gestion du niveau de la franchise d un contrat avec bonus-malus Pierre THEROND & Stéphane BONCHE SOMMAIRE 1. Réduction de franchise en l absence de système bonus-malus A - Bonnes propriétés du modèle collectif
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 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 détailLe modèle de régression linéaire
Chapitre 2 Le modèle de régression linéaire 2.1 Introduction L économétrie traite de la construction de modèles. Le premier point de l analyse consiste à se poser la question : «Quel est le modèle?». Le
Plus en détailRevenu agricole 2013 : une année délicate pour les productions céréalières
Agreste Champagne-Ardenne n 4 - Juillet 2015 Réseau d information comptable agricole En 2013, le Résultat Courant Avant Impôt (RCAI) moyen des exploitations agricoles champardennaises couvertes par le
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 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 détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
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 détailRÉSULTATS DE L OBSERVATOIRE TECHNICO-ÉCONOMIQUE DU RAD Synthèse 2011 - Exercice comptable 2010
Les essentiels du Réseau agriculture durable RÉSULTATS DE L OBSERVATOIRE TECHNICO-ÉCONOMIQUE DU Synthèse 2011 - Exercice comptable 2010 Réseau d information comptable agricole du Ministère de l Agriculture,
Plus en détailCommission des Recherches Bovines
Commission des Recherches Bovines Bilan des activités 2002-2006 Composition de la commission Représentants des depts GA (4), PHASE(4+2), SA(3) CEPIA (1), SAE2(1), SAD(1) Représentants des Ecoles Sup Agronomiques
Plus en détailPROJET MODELE DE TAUX
MASTER 272 INGENIERIE ECONOMIQUE ET FINANCIERE PROJET MODELE DE TAUX Pricing du taux d intérêt des caplets avec le modèle de taux G2++ Professeur : Christophe LUNVEN 29 Fevrier 2012 Taylan KUNAL - Dinh
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 détailEPREUVE ECRITE D ADMISSIBILITE
CONCOURS DE RECRUTEMENT DE PROFESSEURS DE LYCEE PROFESSIONNELS AGRICOLE (PLPA) SESSION 2011 Concours : INTERNE Section : Sciences économiques et sociales et gestion Option A : Sciences économiques et sociales
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 détailIBM SPSS Regression 21
IBM SPSS Regression 21 Remarque : Avant d utiliser ces informations et le produit qu elles concernent, lisez les informations générales sous Remarques sur p. 46. Cette version s applique à IBM SPSS Statistics
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 détailMONITORING 100% CONNECTÉ : MEDRIA LANCE LE FEEDPHONE
MEDRIA 2014 DOSSIER DE PRESSE Alimentation-Reproduction-Santé MONITORING 100% CONNECTÉ : MEDRIA LANCE LE FEEDPHONE 1/18 COMMUNIQUÉ DE PRESSE MEDRIA lance au SPACE 2014 sa dernière innovation, le FeedPhone
Plus en détailDÉVERSEMENT ÉLASTIQUE D UNE POUTRE À SECTION BI-SYMÉTRIQUE SOUMISE À DES MOMENTS D EXTRÉMITÉ ET UNE CHARGE RÉPARTIE OU CONCENTRÉE
Revue Construction étallique Référence DÉVERSEENT ÉLASTIQUE D UNE POUTRE À SECTION BI-SYÉTRIQUE SOUISE À DES OENTS D EXTRÉITÉ ET UNE CHARGE RÉPARTIE OU CONCENTRÉE par Y. GALÉA 1 1. INTRODUCTION Que ce
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 détailLE ROLE DES INCITATIONS MONETAIRES DANS LA DEMANDE DE SOINS : UNE EVALUATION EMPIRIQUE.
LE ROLE DES INCITATIONS MONETAIRES DANS LA DEMANDE DE SOINS : UNE EVALUATION EMPIRIQUE. Synthèse des travaux réalisés 1. Problématique La question D7 du plan d exécution du Programme National de Recherches
Plus en détailINF6304 Interfaces Intelligentes
INF6304 Interfaces Intelligentes filtres collaboratifs 1/42 INF6304 Interfaces Intelligentes Systèmes de recommandations, Approches filtres collaboratifs Michel C. Desmarais Génie informatique et génie
Plus en détailGénération de scénarios économiques
Modélisation des taux d intérêt Pierre-E. Thérond ptherond@galea-associes.eu pierre@therond.fr Galea & Associés ISFA - Université Lyon 1 22 novembre 2013 Motivation La modélisation des taux d intérêt est
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 détailDe la mesure à l analyse des risques
De la mesure à l analyse des risques Séminaire ISFA - B&W Deloitte Jean-Paul LAURENT Professeur à l'isfa, Université Claude Bernard Lyon 1 laurent.jeanpaul@free.fr http://laurent.jeanpaul.free.fr/ 0 De
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 détailNOTE SUR LA MODELISATION DU RISQUE D INFLATION
NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui
Plus en détailLE TRAVAIL EN ÉLEVAGE BOVIN LAIT, BOVIN VIANDE ET OVIN VIANDE
RÉSEAUX D ÉLEVAGE POUR LE CONSEIL ET LA PROSPECTIVE COLLECTION RÉFÉRENCES LE TRAVAIL EN ÉLEVAGE BOVIN LAIT, BOVIN VIANDE ET OVIN VIANDE DES RÉFÉRENCES POUR LE CONSEIL NORD-PAS-DE-CALAIS, PICARDIE ET NORMANDIE
Plus en détailFORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc)
87 FORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc) Dans le cadre de la réforme pédagogique et de l intérêt que porte le Ministère de l Éducation
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 détailles cinq étapes pour calculer les jours d avance
À retenir l expérience, acquise grâce à ces outils, permet également une bonne évaluation de la ressource disponible. une fois les mesures réalisées, la quantité d herbe disponible pour le lot se calcule
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 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 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 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 détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
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 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 détailDéveloppement de lois et de structures de réglages destinées à la téléopération avec retour d effort
Développement de lois et de structures de réglages destinées à la téléopération avec retour d effort Thomas Delwiche, Laurent Catoire et Michel Kinnaert Faculté des Sciences Appliquées Service d Automatique
Plus en détailVI. Tests non paramétriques sur un échantillon
VI. Tests non paramétriques sur un échantillon Le modèle n est pas un modèle paramétrique «TESTS du CHI-DEUX» : VI.1. Test d ajustement à une loi donnée VI.. Test d indépendance de deux facteurs 96 Différentes
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 détailTCS, strip-till et semis direct
Témoignage dethierry Lesvigne Polyculture Elevage Bovin Lait La Bernaudie 24 480 ALLES- SUR-DORDOGNE Depuis 2008, Thierry Lesvigne a choisi repenser l ensemble de son système agronomique et a arrêté définitivement
Plus en détailLe Modèle Linéaire par l exemple :
Publications du Laboratoire de Statistique et Probabilités Le Modèle Linéaire par l exemple : Régression, Analyse de la Variance,... Jean-Marc Azaïs et Jean-Marc Bardet Laboratoire de Statistique et Probabilités
Plus en détailMéthodologie du calcul de la VaR de marché : revue de l approche basée sur des simulations historiques
Méthodologie du calcul de la VaR de marché : revue de l approche basée sur des simulations historiques Asshvin Gajadharsingh Mesure et analyse quantitative du risque Caisse de dépôt et placement du Québec
Plus en détailCritère du choix des variables auxiliaires à utiliser dans l'estimateur par calage
des variables auxiliaires à utiliser dans l'estimateur par calage Mohammed El Haj Tirari Institut National de Statistique et d'economie Appliquée - roc Laboratoire de Statistique d'enquêtes, CREST - Ensai
Plus en détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Plus en détailIntégration régionale et croissance:
Introduction Intégration régionale et croissance: Le cas de l Afrique Centrale DAGBA Xavier et BARICAKO Joseph 11 octobre 2013 Par DAGBA Xavier et BARICAKO Joseph AEC 2013 1 / 16 Plan Introduction Contexte
Plus en détailProjet ANR. Bruno Capra - OXAND. 04/06/2015 CEOS.fr - Journée de restitution (Paris) B. CAPRA
Projet ANR Bruno Capra - OXAND MEFISTO : Maîtrise durable de la fissuration des infrastructures en bétons Contexte Problématique des Maîtres d Ouvrages Evaluation et prédiction de la performance des ouvrages
Plus en détailSystèmes de communications numériques 2
Systèmes de Communications Numériques Philippe Ciuciu, Christophe Vignat Laboratoire des Signaux et Systèmes CNRS SUPÉLEC UPS SUPÉLEC, Plateau de Moulon, 91192 Gif-sur-Yvette ciuciu@lss.supelec.fr Université
Plus en détailSpécimen de formulaire : Plan de préparation aux situations d urgence de La ferme
Extrait tiré du Plan de SécuriFerme Canada Spécimen de formulaire : Plan de préparation aux situations d urgence de La ferme Les personnes suivantes sont formées et actualisées dans le travail d intervention
Plus en détailQUOI DE NEUF DANS LE NOUVEAU NRC?
QUOI DE NEUF DANS LE NOUVEAU NRC? Daniel LEFEBVRE, Ph.D., agronome PATLQ inc. Sainte-Anne-de-Bellevue Conférence préparée en collaboration avec : Doris PELLERIN, Ph.D., agronome Professeur en sciences
Plus en détailL évaluation de la performance de la communication media
L évaluation de la performance de la communication media Pascal ROOS Enseignant en BTS Management des Unités Commerciales Lycée Edmond Rostand, Saint Ouen l Aumône (95) «Je sais qu un dollar de publicité
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 détailTPG 12 - Spectrophotométrie
TPG 12 - Spectrophotométrie Travail par binôme Objectif : découvrir les conditions de validité et les utilisations possibles de la loi de Beer-Lambert I- Tracé de la rosace des couleurs Choisir un des
Plus en détailVOYAGE D ÉTUDES ET DE FORMATION EN
VOYAGE D ÉTUDES ET DE FORMATION EN PRODUCTION LAITIÈRE BIOLOGIQUE ANGLETERRE - PAYS DE GALLES DU 26 MARS AU 12 AVRIL 2010 Un groupe de producteurs agricoles et d intervenants réaliseront un voyage de formation
Plus en détailOrdonnancement sous contraintes de Qualité de Service dans les Clouds
Ordonnancement sous contraintes de Qualité de Service dans les Clouds GUÉROUT Tom DA COSTA Georges (SEPIA) MONTEIL Thierry (SARA) 05/12/2014 1 Contexte CLOUD COMPUTING Contexte : Environnement de Cloud
Plus en détailFORMATS DE JEU POUR LA PRATIQUE DU SOCCER AU QUÉBEC FÉDÉRATION DE SOCCER DU QUÉBEC
FORMATS DE JEU POUR LA PRATIQUE DU SOCCER AU QUÉBEC FÉDÉRATION DE SOCCER DU QUÉBEC MARS 2011 CHEMINEMENT IDÉAL DU JOUEUR DE SOCCER AU QUÉBEC STADES 1 DÉPART ACTIF 2 LES FONDAMEN- TAUX 3 L ÂGE D OR DE L
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 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 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 détailExercice 3 du cours Management Bancaire : «Risque de crédit et scoring»
Exercice 3 du cours Management Bancaire : «Risque de crédit et scoring» Ce cas a pour objectif d étudier le risque de crédit d une entreprise à l aide de la méthode du scoring. Cette méthode statistique
Plus en détailUn expérience pluridisciplinaire de l intensification écologique en Agriculture Familiale
Le développement du semis-direct sous couverture végétale pour les agriculteurs des exploitations familiales des biomes Cerrados (2005-2009) et Amazonia (2008-2013) Un expérience pluridisciplinaire de
Plus en détailInterception des signaux issus de communications MIMO
Interception des signaux issus de communications MIMO par Vincent Choqueuse Laboratoire E 3 I 2, EA 3876, ENSIETA Laboratoire LabSTICC, UMR CNRS 3192, UBO 26 novembre 2008 Interception des signaux issus
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 détail4. Verdissement, une PAC plus verte
4. Verdissement, une PAC plus verte Aides Couplées JA Verdissement Paiement redistributif DPB Trois obligations à respecter : 1. Diversification des assolements 2. Maintien des prairies permanentes 3.
Plus en détailANALYSE DU RISQUE DE CRÉDIT
ANALYSE DU RISQUE DE CRÉDIT Banque & Marchés Cécile Kharoubi Professeur de Finance ESCP Europe Philippe Thomas Professeur de Finance ESCP Europe TABLE DES MATIÈRES Introduction... 15 Chapitre 1 Le risque
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 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 détail1 Complément sur la projection du nuage des individus
TP 0 : Analyse en composantes principales (II) Le but de ce TP est d approfondir nos connaissances concernant l analyse en composantes principales (ACP). Pour cela, on reprend les notations du précédent
Plus en détailAnalyse de la relation entre primes de terme et prime de change dans un cadre d équilibre international
ANNALES D ÉCONOMIE ET DE STATISTIQUE. N 46 1997 Analyse de la relation entre primes de terme et prime de change dans un cadre d équilibre international Hubert de LA BRUSLERIE, Jean MATHIS * RÉSUMÉ. Cet
Plus en détailCalcul de la marge brute en production laitière
Mode d emploi : Calcul de la marge brute en production laitière Calculez la marge brute en production laitière sur votre exploitation et comparez-la avec celle d autres exploitations du même type. Utilisation
Plus en détail