Lien entre le modèle à rapport de côtes proportionnelles et le modèle logit ordinal hétéroscédastique



Documents pareils
RESOLUTION PAR LA METHODE DE NORTON, MILLMAN ET KENNELY

CIGI 2011 Job shop sous contraintes de disponibilité des ressources : modèle mathématique et heuristiques

c. Calcul pour une évolution d une proportion entre deux années non consécutives

[ édité le 10 juillet 2014 Enoncés 1. Exercice 6 [ ] [correction] Si n est un entier 2, le rationnel H n =

où «p» représente le nombre de paramètres estimés de la loi de distribution testée sous H 0.

Exo7. Déterminants. = 4(b + c)(c + a)(a + b). c + a c + b 2c Correction. b + a 2b b + c. Exercice 2 ** X a b c a X c b b c X a c b a X

PROBLEMES DIOPTIMISATION EN NOMBRES ENTIERS J. L. NICOLAS

Solutions particulières d une équation différentielle...

Dénombrement. Chapitre Enoncés des exercices

Chapitre 6: Moment cinétique

Échantillonnage et estimation

FEUILLE D EXERCICES 17 - PROBABILITÉS SUR UN UNIVERS FINI

Logiciel de synchronisation de flotte de baladeurs MP3 / MP4 ou tablettes Androïd

Conformité réglementaire et certification en santé et sécurité au travail

TRAVAUX DIRIGÉS DE M 6

Groupe orthogonal d'un espace vectoriel euclidien de dimension 2, de dimension 3

11.5 Le moment de force τ (tau) : Production d une accélération angulaire

Chapitre 2 SONDAGE ALEATOIRE SIMPLE OU A PROBABILITES EGALES. 2.1 DEFINITIONS 2.2 SONDAGE ALEATOIRE SIMPLE SANS REMISE (PESR) 2.2.

SÉRIES STATISTIQUES À DEUX VARIABLES

3.1 Différences entre ESX 3.5 et ESXi 3.5 au niveau du réseau. Solution Cette section récapitule les différences entre les deux versions.

Dénombrement. Introduction. 1 Cardinaux d'ensembles nis. ECE3 Lycée Carnot. 12 novembre Quelques dénitions

Les Nombres Parfaits.

FINANCE Mathématiques Financières

UNIVERSITÉ DE SFAX École Supérieure de Commerce

EXERCICES : DÉNOMBREMENT

Chapitre 3 : Fonctions d une variable réelle (1)

Présentation & organisation du cours. Introduction : décider en milieu industriel. Les méta-heuristiques. Le travail à réaliser

capital en fin d'année 1 C 0 + T C 0 = C 0 (1 + T) = C 0 r en posant r = 1 + T 2 C 0 r + C 0 r T = C 0 r (1 + T) = C 0 r 2 3 C 0 r 3...

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable

1 Mesure et intégrale

Donnez de la liberté à vos données. BiBOARD.

Séries réelles ou complexes

Processus géométrique généralisé et applications en fiabilité

CONSTANTES DIELECTRIQUES

DETERMINANTS. a b et a'

La Journée de l Innovation Collaborative

Renseignements et monitoring. Renseignements commerciaux et de solvabilité sur les entreprises et les particuliers.

Statistique descriptive bidimensionnelle

II LES PROPRIETES DES ESTIMATEURS MCO 1. Rappel : M1 LA REGRESSION : HYPOTHESES ET TESTS Avril 2009

n tr tr tr tr tr tr tr tr tr tr n tr tr tr Nom:... Prénom :...

LE WMS EXPERT DE LA SUPPLY CHAIN DE DÉTAIL

UNIVERSITE MONTESQUIEU BORDEAUX IV. Année universitaire Semestre 2. Prévisions Financières. Travaux Dirigés - Séances n 4

Université de Bordeaux - Master MIMSE - 2ème année. Scoring. Marie Chavent machaven/

Une action! Un message!

Statistiques appliquées à la gestion Cours d analyse de donnés Master 1

Etude Spéciale SCORING : UN GRAND PAS EN AVANT POUR LE MICROCRÉDIT?

Deuxième partie : LES CONTRATS D ASSURANCE VIE CLASSIQUES

Limites des Suites numériques

Télé OPTIK. Plus spectaculaire que jamais.

Baccalauréat S Asie 19 juin 2014 Corrigé

Polynésie Septembre Exercice On peut traiter la question 4 sans avoir traité les questions précédentes.

CHAPITRE VI : Le potentiel électrique

MANUEL SUR LE CHIFFREMENT DES MESSAGES CLIMAT ET CLIMAT TEMP

CHAPITRE 2 SÉRIES ENTIÈRES

Exercice I ( non spé ) 1/ u 1 = u / Soit P la propriété : u n + 4. > 0 pour n 1. P est vraie au rang 1 car u 1

Processus et martingales en temps continu

Examen final pour Conseiller financier / conseillère financière avec brevet fédéral. Recueil de formules. Auteur: Iwan Brot

Suites et séries de fonctions

Mécanismes de protection contre les vers

14 Chapitre 14. Théorème du point fixe

Exercices de mathématiques

Probabilités et statistique pour le CAPES

One Office Voice Pack Vos appels fixes et mobiles en un seul pack

Chap. 6 : Les principaux crédits de trésorerie et leur comptabilisation

Notes de version. Neolane v6.0

Sommaire Chapitre 1 - L interface de Windows 7 9

Risque de longévité et détermination du besoin en capital : travaux en cours

. (b) Si (u n ) est une suite géométrique de raison q, q 1, on obtient : N N, S N = 1 qn+1. n+1 1 S N = 1 1

Mobile Business. Communiquez efficacement avec vos relations commerciales 09/2012

Chap. 6 : Les principaux crédits de trésorerie et leur comptabilisation

x +1 + ln. Donner la valeur exacte affichée par cet algorithme lorsque l utilisateur entre la valeur n =3.

Principes et Méthodes Statistiques

Séquence 5. La fonction logarithme népérien. Sommaire

Créer un observatoire de la concurrence. Créer un observatoire de la concurrence. Démarche. ntérêt. C aractéristiques.

Initiation à l analyse factorielle des correspondances

MESURE DE L'INFORMATION

Module 3 : Inversion de matrices

Managed File Transfer. Managed File Transfer. Livraison express des f ichiers d entreprise

Mouvement d'une particule chargée dans un champ magnétique indépendant du temps

ESIEA PARIS

TRANSFERT DE CHARGE DANS UN RÉSEAU DE PROCESSEURS TOTALEMENT CONNECTÉS (*) par Maryse BÉGUIN ( 1 )

Mécanique du point : forces Newtoniennes (PCSI)

Université Pierre et Marie Curie. Biostatistique PACES - UE

PROMENADE ALÉATOIRE : Chaînes de Markov et martingales

Chap. 5 : Les intérêts (Les calculs financiers)

La maladie rénale chronique

Introduction : Mesures et espaces de probabilités

RESOLUTION DES FLOW SHOP STOCHASTIQUES PAR LES ORDRES STOCHASTIQUES. DERBALA Ali *)

Chapitre 1.5a Le champ électrique généré par plusieurs particules

RÈGLES ORDINALES : UNE GÉNÉRALISATION DES RÈGLES D'ASSOCIATION

Nous imprimons ce que vous aimez!

PHYSIQUE DES SEMI-CONDUCTEURS

La France, à l écoute des entreprises innovantes, propose le meilleur crédit d impôt recherche d Europe

Chaînes de Markov. Arthur Charpentier

Consolidation. C r é e r un nouveau classeur. Créer un groupe de travail. Saisir des données dans un groupe

Le chef d entreprise développe les services funéraires de l entreprise, en

Statistique Numérique et Analyse des Données

Gérer les applications

Cours de Statistiques inférentielles

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable

Transcription:

Lie ete le odèle à appot de côtes popotioelles et le odèle loit odial hétéoscédastique Chistia Dequee Recheche et Développeet

Pla Cotexte otivatios objectif 2 Modèle loit hétéoscédastique 3 Lie ete le odèle à appot de côtes popotioelles et le odèle loit odial hétéoscédastique 4 Applicatio à des doées aeti 5 Appots applicatios voies futues

Cotexte otivatios objectif i Utilisatio de odèle loit odial das de obeux doaies écooétie, essais théapeutiques, éétiques, aeti, ii Vaiables «explicatives» catéoielles : doées oupées coiseet des odalités coefficiets de positio iveau oye/oupe iii Deux oupes avec le êe iveau êe copoteet/vaiable épose

Cotexte otivatios objectif iv Poblèe : dispesios difféetes v Solutio aisoable : odèle loit odial hétéoscédastique MLOH [Mc. Cullah, 980, Dequee, 995, 996, Foulley, 995, 996] coefficiets de dispesio e plus vi Modèle loit odial odèle à appot de côtes popotioelles MRCP utilisatio d u test statistique du scoe ejet de H 0 ex : odèle loit ééalisé MLG

Cotexte otivatios objectif vii Poblèe du MLG : plus difficile à itepéte plus ouad e obe de paaètes viii Objectifs du papie : MRCP odèle loit odial hooscédastique utilisatio d u MLOH à la place d u odèle loit ééalisé itoductio d u systèe de e-podéatio des idividus pou evei à u MRCP

Pla Cotexte otivatios objectif 2 Modèle loit hétéoscédastique 3 Lie ete le odèle à appot de côtes popotioelles et le odèle loit odial hétéoscédastique 4 Applicatio à des doées aeti 5 Appots applicatios voies futues

Modèle loit hétéoscédastique Modèle loit odial hooscédastique : Y * µ 0 +Xβ +ε Distibutio loistique sous-jacete : P * Y / X P Y α / X où α θ µ 0 exp α Xβ + exp F α Xβ α Xβ 2

Modèle loit hétéoscédastique Doées oupées : Y * t p j 0 µ + β x + ε j i / j i / j i / j, t 3 Pou u oupe :, x β 4 où x vec-col de 0/ du oupe, de taille et β vecteu-paaètes de positio p j j p

Modèle loit hétéoscédastique Modèle loit odial hétéoscédastique : Y * µ 0 +Xβ +ε 5 Distibutio loistique sous-jacete : P Pou u oupe : * Y / X P Y α / X exp + exp α Xβ α Xβ 6 où P exp * Y / P Y α / X, x υ exp + exp α α avec ν vecteu du lo des coefficiets de dispesio 7

Pla Cotexte otivatios objectif 2 Modèle loit hétéoscédastique 3 Lie ete le odèle à appot de côtes popotioelles et le odèle loit odial hétéoscédastique 4 Applicatio à des doées aeti 5 Appots applicatios voies futues

Lie ete MRCP et MLOH Modèle à appot de côtes popotioelles : 8 Pou deux valeus de X x,x 2 : 9 Ce appot est idépedat de la épose, ] / P[ ] / P[ l R X x X Y x X Y β α β 2 2 2 exp ] / P[ ] / P[ ] / P[ ] / P[ x x x X Y x X Y x X Y x X Y

Lie ete MRCP et MLOH Doées oupées, pou deux oupes et : OR OR exp exp OR OR 0 où OR α exp appot de chaces alos : 0 0 ca les coefficiets de positio pou deux époses et d u oupe sot éaux pa hypothèse du odèle RCP

Lie ete MRCP et MLOH Poblèe : si cette hypothèse e tiet pas Utilisatio du test du scoe "petes paallèles" Mise e œuve du odèle loit ééalisé MLG P exp Y / R + exp α α P Y R / R + α Rappot de chaces avec des coefficiets de dispesio exp OR α exp odèle loit odial hétéoscédastique 2

Lie ete MRCP et MLOH Théoèe : Soit Y ue vaiable se distibuat su ue échelle odiale à R catéoies, soiet X,...,X j,,x p, p pédicteus catéoiels peettat de éée M oupes d idividus et soit efi u odèle loit ajustat la vaiable Y à l aide des p vaiables X, j alos ce odèle sea à appot de côtes popotioelles, si et seuleet si le odèle loit odial est hooscédastique, c est-à-die,, où et sot les écats-types des oupes et

Lie ete MRCP et MLOH Déostatio : Gâce à 0 et 2, o peut écie : 3 Pa coséquet si alos exp exp α α α α

Lie ete MRCP et MLOH Coollaie : Si le odèle loit odial est hooscédastique, alos le test du scoe du appot de côtes popotioelles hypothèse des petes paallèles das le cas de vaiables X uéiques sea écaiqueet o siificatif. Pa coséquet, ce test peetta aussi de détecte lhétéoscédasticité das les doées ajustées e postulat u odèle loit odial Déostatio : Elle découle diecteet du théoèe pécédet

Théoèe 2 : Lie ete MRCP et MLOH Si le odèle loit odial est hétéoscédastique, alos il est possible de touve ue tasfoatio adéquate du systèe de podéatio des idividus pou evei à u odèle à appot de côtes popotioelles Déostatio : Pou chaque oupe, la vesio obsevée de la pobabilité cuulée théoique pou la épose 7 a la foe suivate : P exp α Y / oupe + exp α 4

Lie ete MRCP et MLOH Déostatio suite : Le appot de chaces epiique a la foe suivate : alos : 5 exp α α exp + + α α exp exp

Lie ete MRCP et MLOH Déostatio suite : Pseudo popotio pou ue épose d u oupe : 6 E eplaçat alos o obtiet ue valeu estiée du obe de époses pou le oupe : Le ouveau poids pou u idividu t est : π + + ˆ pa π t t w w

Pla Cotexte otivatios objectif 2 Modèle loit hétéoscédastique 3 Lie ete le odèle à appot de côtes popotioelles et le odèle loit odial hétéoscédastique 4 Applicatio à des doées aeti 5 Appots applicatios voies futues

Applicatio à des doées aeti Equête de satisfactio su 3500 cliets Objectif : odélise ue épose odiale 3 iveaux à l aide de quate vaiables cadidates à l explicatio coteat espectiveet 2,2,5,5 catéoies Modèles utilisés : loit odial appot de côtes popotioelles loit odial hétéoscédastique loit ééalisé oial loit odial avec poids hétéoscédastique

Applicatio à des doées aeti Mise e œuve : 99 oupes d idividus o vides 2 paaètes pou le loit odial MRCP 22 paaètes pou le loit odial hétéoscédastique MLOH 22 paaètes pou le loit ééalisé MLG 2 paaètes pou le loit odial epodéé

Applicatio à des doées aeti Modèle loit odial MRCP p-valeus : scoe 0,03 et déviace 0,4950

Applicatio à des doées aeti Modèle loit oial MLG p-valeu : déviace 0,7038

Applicatio à des doées aeti Modèle loit odial hétéoscédastique p-valeudév 0,740

Applicatio à des doées aeti Modèle loit odial avec la podéatio hétéoscédastique p-valeus : scoe 0,993 et déviace 0,8348

Pla Cotexte otivatios objectif 2 Modèle loit hétéoscédastique 3 Lie ete le odèle à appot de côtes popotioelles et le odèle loit odial hétéoscédastique 4 Applicatio à des doées aeti 5 Appots applicatios voies futues

Appots applicatios voies futues i ii Equivalece du odèle loit odial hooscédastique et du odèle à appot de côtes popotioelles U odèle loit odial hétéoscédastique est pas u odèle à appot de côtes popotioelles iii Si lhypothèse ulle du appot de côtes popotioelles est ejetée, alos il est péféable dajuste u odèle loit odial hétéoscédastique à la place d u odèle loit oial : plus coûteux R > 3 ésultats plus difficileet itepétables

Appots applicatios voies futues iv v vi vii Itoductio d ue tasfoatio des poids des idividus costuite à pati des coefficiets de dispesio du odèle hétéoscédastique pou obtei u odèle à appot de côtes popotioelles Avec lapplicatio de cette tasfoatio, le test du scoe associé deviet écaiqueet foteet o siificatif, ce qui peet de tavaille diecteet avec u odèle appot de côtes popotioelles Déache tès fuctueuse das difféets doaies dapplicatios aeti, épidéioloie, éétique, écooétie, sesioétie,... Extesio du odèle loit odial hétéoscédastique à des odèles plus coplexes : odèles à équatios stuctuelles vaiables obsevées su des échelles odiales

Biblioaphie Dequee Ch. 995, Heteosedastic Loit Model, 50th Sessio of the Iteatioal Statistical Istitute, Beji - Chia Dequee Ch. 996, Modèle Loit Dichotoique Hétéoscédastique, XXVIIIèes Jouées de Statistique, Laval - Québec Dequee Ch. 996, Heteosedastic Odial Loit Model, 4th Wold Coess of the Beoulli Society, Viea - Austia Dequee Ch. 2006, Taiteets statistiques de doées catéoielles : Recheche exploatoie de stuctues et odélisatio de phéoèes, thèse e Mathéatiques Appliquées et Scieces Sociales, Uivesité Pais-Dauphie, Pais, Face Foulley J-L. & Qaas RL., 995, Heteoeeous vaiaces i Gaussia Liea ixed odels, Geet Sel Evol, 27, 2-228

Biblioaphie Foulley J-L. & Giaola D., 996, Statistical aalysis of odeed cateoical data via a stuctual heteosedastic theshold odel, Geet Sel Evol, 28, 249-273 Mc Cullah P., 980, Reessio Models fo Odial Data, J.R. Stat. Soc., B 42, 09-42