Saturday Samedi May 25 Mai 2019 - Seventh Canadian Statistics Student Conference Septi eme Congr es Canadien des Etudiants en Statistique
←
→
Page content transcription
If your browser does not render page correctly, please read the page content below
Seventh Canadian Statistics Student Conference
•
Septième Congrès Canadien des Étudiants en
Statistique
University of Calgary, Alberta
Saturday • Samedi
May 25 • Mai 2019
HRIC Atrium
P10 TRW
HRIC
HMRB P6
PP MT HSC
P7
FMC P8
WHC
P4 NT
P8a
SSB P1
ST
Public P1, P3, P4, P6, P8a, P10 (underground)
P3
Staff P7, P8, TRW (underground)
ST SOUTH TOWER
T
SSB SPECIAL SERVICES BUILDING
B TBCC TOM BAKER CANCER CENTRE
C FMC FOOTHILLS MEDICAL CENTRE
NT NORTH TOWER
WHC WOMEN’S HEALTH CENTRE
HSC HEALTH SCIENCES CENTRE
HMRB HERITAGE MEDICAL RESEARCH BUILDING
HRIC HEALTH RESEARCH INNOVATION CENTRE
TRW TEACHING RESEARCH & WELLNESS
MT MCCAIG TOWER
PP PHYSICAL PLANT
FOOTHILLS CAMPUS MAP
Windows
Elevator“h" Foothills
Hospital
1508 1506 1504
1509A 1509 1503
O’Brien Centre
1402 1403 1404
Corridor 14022 1501
Elev ator
1408X
Bioinformatics Lab
Serv ice
Shaft
1450V
1405B 1405A
1500
Health Sciences Library
Serv ice
Shaft
1452V
Theatre 4
Service
Stairs to
Serv ice
Shaft O’Brien Centre, (1st/2nd floors),
1454V
Theatres 3 & 4, Room 1405B
Main Level
Serv ice
Shaft
1456V
To HRIC & Theatre 3
Theatre
4
Serv ice
Shaft
1460V
Serv ice
Shaft
1462V
4
Health Sciences Library
4 Theatre 3
4
Serv ice
Shaft
1484V
1464A
1462B
146 4B
Serv ice
Shaft
1479V
1st Floor
Contents • Table des matières
Welcome • Bienvenue . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
Sponsors • Commanditaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
Organizers and volunteers • Organisateurs et bénévoles . . . . . . . . . . . . . . . . . . . . 10
Program Overview . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
Aperçu du programme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
Keynote address • Discours d’honneur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
Statistical Computing Workshop • Atelier en Calculs Statistiques . . . . . . . . . . . . . . 15
Machine Learning applications in R
Applications de l’apprentissage machine en R . . . . . . . . . . . . . . . . . . . . . . 16
Invited career speakers • Conférenciers invités à la séance sur les carrières . . . . . . . . . 17
Scientific abstracts: Oral presentations • Résumés scientifiques: présentations orales . . . . 20
Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
Robust estimators • Estimateurs robustes . . . . . . . . . . . . . . . . . . . . . . . . 23
Causal inference • Inférence causale . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
Model selection • Sélection de modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
Bayesian statistics • Statistique Bayesienne . . . . . . . . . . . . . . . . . . . . . . . . 31
Biostatistics • Biostatistique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
Scientific abstracts: Posters • Résumés scientifiques: Posters . . . . . . . . . . . . . . . . . 37
3
Welcome • Bienvenue
We are pleased to have you at the Canadian Nous sommes heureux de vous compter parmi
Statistics Student Conference! nous au Congrès canadien des étudiants en
Our main goal is to offer a space for students statistique (CCÉS)! Nous visons principale-
and recent graduates to network, learn, and ment à offrir aux étudiants et aux nou-
participate in multiple activities that can help veaux diplômés un espace leur permettant
them consolidate the direction of their pro- de réseauter, d’apprendre, et de participer
fessional path. The CSSC provides a low- à de multiples activités susceptibles de les
stress environment for sharing ideas, devel- aider à consolider l’orientation de leur par-
oping skills and holding discussions with oth- cours professionnel. Le CCÉS offre un envi-
ers about research, while learning about ca- ronnement sans stress pour partager des idées,
reer opportunities. What is best, a wide développer des compétences et discuter de
range of statistical interests are represented, recherche avec des pairs, tout en en apprenant
such as biostatistics, industrial statistics; big davantage sur les possibilités de carrière. Qui
data analysis; probability theory, Bayesian mieux est, un large éventail d’intérêts statis-
approaches, and more. tiques sont représentés, tels que la biostatis-
This year’s event will put the spotlight on tique, la statistique industrielle, l’analyse de
Machine Learning and Big Data, with a talk données volumineuses, la théorie des proba-
about machine learning applications in R and bilités, les approches bayésiennes et plus en-
an interactive workshop opposing machine core. L’événement de cette année mettra en
learning and logistic regression for big data. lumière l’apprentissage machine et les données
Attendees are encouraged to bring their lap- volumineuses, grâce à une présentation sur les
tops to the workshop. The program also in- applications d’apprentissage machine en R et
cludes a session with representatives from dif- à un atelier interactif opposant l’apprentissage
ferent areas of the statistics workforce, aim- automatique et la régression logistique pour
ing to provide career advice to graduates and les données volumineuses. Nous encourageons
recent graduates; as well as multiple sessions les participants à apporter leur ordinateur
dedicated to showcase students’ research work portable à l’atelier. Le programme inclut
through talk and poster presentations. également une session avec des représentants
Finally, the keynote speaker, Dr. Char- de différents secteurs de la statistique, dans
maine Dean from the University of Water- le but de fournir des conseils de carrière aux
loo, will talk about Interdisciplinary work and diplômés et aux nouveaux diplômés. Il com-
being successful as a leader in the field of porte aussi plusieurs sessions qui mettront en
statistics. valeur le travail de recherche des étudiants,
par l’intermédiaire de présentations orales et
par affiche.
4
Sponsors • Commanditaires
Special thanks to all our sponsors who have Nous tenons à remercier chacun de nos com-
provided generous support for the various manditaires pour leur généreuse contribu-
activities of the Canadian Statistics Student tion au Congrès Canadien des Étudiants en
Conference. These contributions have made Statistique. C’est grâce à eux que la tenue
this event possible. de ce congrès est possible.
Gold Sponsors • Commanditaires Or
https://math.ucalgary.ca
5
Gold Sponsors • Commanditaires Or
6
Gold Sponsors • Commanditaires Or
Silver Sponsors • Commanditaires Argent
7
Silver Sponsors • Commanditaires Argent
8
Silver Sponsors • Commanditaires Argent
Bronze Sponsors • Commanditaires Bronze
9Organizers and volunteers • Organisateurs et bénévoles
Organizing committee • Comité organisateur
Co-chairs / Co-présidentes:
Ms. Anita Brobbey (University of Calagary)
Ms. Myrtha Reyna (University of Toronto)
Local arrangements / organisation locale:
Ms. Fahmida Yeasmin (University of Calgary)
Mr. Charles Sam (University of Calgary)
Fundraising / Collecte de fonds:
Mr. Thai-Son Tang (University of Toronto)
Ms. Melissa Van Bussel (Trent University)
Ms. Lin Ling (University of Toronto)
Translation / Traduction:
Mr. Luc Villandre (McGill University)
Mr. Steve Ferreira (McGill University)
Ms. Marie-Christine Robitaille Grou (Université de Montréal)
Skills session / Séance sur les compétences techniques:
Mr. Olawale Fatai Ayilara (University of Manitoba)
Mr. Jacob Prosser (University of New Brunswick)
Carrer session / Séance sur les carrières:
Ms. Afaf Alzahrani (Dalhousie University)
Mr. Sudipta Saha (University of Toronto)
Scientific Program / Programme scientifique:
Ms. Michela Panarella (Univeristy of Toronto)
Ms. Victoire Michal (Université de Montréal)
10Support and thanks • Support et remerciements
SSC President / Président de la SSC: Robert Platt
SSC Administrative assistant / Adjoint Administrative de la SSC: Miaclaire Woodland
SSC Executive assistant / Assistant exécutif de la SSC:: Michelle Benoit
SSC Treasurer / Trésorier de la SSC: Edward Chen
SSC Local organizers / Organisateurs locaux: Karen Kopciuk, Alexander de Leon
SSC meetings coordinator / Coordonnateur des congrès: Changbao Wu
Photographer / Photographe: Peter Macdonald
Volunteers / Bénévoles: Shakiru Alaka, Sarath Kumar Jayaraman, Mohammed Mujaab
Kamso, Mili Roy, Oluwaseyi Adetutu Lawal, and Ayoola Ademola.
Judges / Juges: Special thanks to the judges involved in the assessment of abstracts, talks
and poster presentations.
11Program Overview
Date and times: Saturday, May 25th, from 07:30 to 20:30.
Location: Health Science Centre. Cumming School of Medicine, University of Calgary.
Time Session Room Page
Registration
07:30-08:30 HRIC atrium
Breakfast
08:30-08:45 Presidential address Theatre 4
Student research talks I
Applications Theatre 4 20
08:50-09:35
Robust estimators O1500 23
Causal inference 1405B 26
Student research talks II
Biostatistics Theatre 4 29
09:40-10:25
Bayesian statistics O1500 31
Model selection 1405B 34
10:25-10:45 Coffee break HRIC atrium
Skills session
10:45-11:55 Theatre 4 16
Machine Learning applications in R
11:55-12:10 Sponsor Talk Theatre 4
Lunch
12:10-13:20 HRIC atrium
Poster session (starts at 12:40) 37
Workshop
13:20-14:45 Theatre 4 15
Exploring Machine Learning Classification Methods Using R
14:45-15:00 Coffee break HRIC atrium
15:00-16:00 Career panel Theatre 4 17
Keynote speech
16:00-17:15 Interdisciplinary Work and being successful as a leader Theatre 4 14
in this arena
17:15-18:00 Closing and awards Theatre 4
18:00-21:00 Social Evening
Social evening
A limited quantity of food and beverages will be available at no additional cost.
Address & time • Adresse & heure:
The Den 18:00 hrs. MacEwan Student Centre, 2500 University Drive NW, Calgary, AB.
(http://den.su.ucalgary.ca)
12Aperçu du programme
Date et plage horaire: Samedi 25 mai de 07h30 à 20h30.
Lieu: Health Science Centre. Cumming School of Medicine, Université de Calgary.
Heure Séance Salle Page
Inscription
07:30-08:30 HRIC atrium
Petit-déjeuner
08:30-08:45 Adresse présidentielle Theatre 4
Présentations orales étudiantes I
Applications Theatre 4 20
08:50-09:35
Estimateurs robustes O1500 23
Inférence causale 1405B 26
Présentations orales étudiantes II
Sélection de modèle Theatre 4 29
09:40-10:25
Statistique bayesienne O1500 31
Biostatistique 1405B 34
10:25-10:45 Pause-café HRIC atrium
Session de formation
10:45-11:55 Theatre 4 16
Applications en R de l’apprentissage machine
11:55-12:10 Présentation du sponsor Theatre 4
Lunch
12:10-13:20 HRIC atrium
Séance d’affiches (débute à 12:40) 37
Atelier statistique
13:20-14:45 Exploration de méthodes de classifications en apprentissage Theatre 4 15
machine sur R
14:45-15:00 Pause-café HRIC atrium
15:00-16:00 Table ronde des carrières Theatre 4 17
Présentation d’honneur
16:00-17:15 Travail interdisciplinaire et réussir en tant que leader Theatre 4 14
dans cette aréna
17:15-18:00 Clôture et remise des prix Theatre 4
18:00-21:00 Soirée
Soirée
Une quantité limitée de nourriture et de boissons sera disponible sans frais supplémentaires.
Adresse & heure:
The Den 18:00 hrs. MacEwan Student Centre, 2500 University Drive NW, Calgary, AB.
(http://den.su.ucalgary.ca)
13Keynote address • Discours d’honneur
Charmaine Dean est vice-présidente - Recherche et
Charmaine Dean is Vice-
International à l’Université de Waterloo. Dans le
President, Research and In-
cadre de ses fonctions, Dre Dean vise à encour-
ternational at the University
ager les collaborations, et à agir comme liaison en-
of Waterloo. Her focus is on
tre portfolios externes, partenaires industriels et en-
building upon foundational
trepreneurs. Les travaux de Charmaine Dean dans
strengths to heighten the em-
le domaine de l’analyse spatiotemporelle appliquée à
phasis on collaborations, and
la santé et à la foresterie lui ont valu plusieurs prix.
link related external portfo-
En 2003, Dre Dean s’est vue décerner le prix CRM-
lios in a systematic approach
SSC en statistique, en reconnaissance d’une contribu-
to industrial partners and en-
tion substantielle à la discipline au cours des quinze
trepreneurship. Dr. Dean’s
années suivant l’obtention du doctorat. En 2007,
work in space-time analytics
elle a remporté le ”Mathematics Alumni Achieve-
for health and forestry has
ment Medal” de l’Université de Waterloo. En 2010,
been recognized widely: in
elle a été nommée Fellow de l’Association américaine
2003, she was awarded the CRM-SSC prize; in 2007
pour l’avancement des sciences. En 2012, elle a été
named Fellow of the American Statistical Associa-
lauréate du ”Trinidad & Tobago High Commission
tion and awarded the University of Waterloo Math-
Award”. Enfin, en 2016, elle a été élue membre du
ematics Alumni Achievement Medal; in 2010 named
International Statistical Institute.
Fellow of the American Association for the Advance-
ment of Science; in 2012 awarded a Trinidad & To- Résumé scientifique
bago Canadian High Commission Award; and in
2016 elected to the International Statistical Institute. Résoudre les problèmes sociétaux auxquels nous
Abstract sommes confrontés, du développement durable aux
Solving many complex societal problems facing the changements climatiques, de la compréhension des
world, from sustainable development to climate catastrophes naturelles à celle des problèmes de
change to understanding natural disasters and global santé mondiale, requiert souvent une approche in-
health problems, often involves an interdisciplinary terdisciplinaire. Les statisticiens jouent un rôle cru-
approach. Statisticians have an important role to cial dans l’élaboration de solutions, en raison de
play in contributing to solutions because of our leur prééminence dans le développement d’outils
leadership in developing tools for evidence-based pour la prise de décisions basée sur des données
decision-making. Additionally, we are well poised probantes. Le développement de nouveaux outils
to pull together interdisciplinary teams because gen- statistiques pour résoudre un problème scientifique
erally our work is interdisciplinary in nature. For nécessite notamment une compréhension de la sci-
example, developing new statistical tools to solve a ence au coeur du problème. La recherche interdisci-
scientific problem requires that we understand the plinaire a souvent des répercussions sociétales con-
science surrounding the problem. Interdisciplinary sidérables. Elle est également très bénéfique aux
research is often of high societal impact and gives re- chercheurs eux-mêmes, qui se voient exposés à une
searchers valuable exposure to a diversity of research variété de concepts, d’outils et de méthodologies al-
concepts, tools and methodologies beyond their own lant bien au-delà de leur propre discipline. Quels
discipline. What are the key ingredients for creat- sont les ingrédients indispensables pour créer un
ing a successful, innovative and productive interdis- environnement interdisciplinaire novateur, productif
ciplinary environment? What qualities make for suc- et propice au succès? Quelles qualités assurent la
cess in this environment and what challenges may réussite dans cet environnement et quels défis peu-
hinder success? What are the skills that a leader of vent mener à l’échec? Quelles sont les aptitudes dont
a multi-disciplinary team needs? What makes inter- a besoin le dirigeant d’une équipe multidisciplinaire?
disciplinary work fun and exciting? How can you be Qu’est-ce qui rend le travail interdisciplinaire amu-
a confident contributor around an interdisciplinary sant et excitant? Comment peut-on bien contribuer
table of experts? This talk considers these questions, aux travaux d’un comité interdisciplinaire d’experts?
providing examples to illustrate best practices in col- Cette présentation aborde ces questions, et fournit
laborative training and research environments. des exemples illustrant les meilleures pratiques dans
des environnements de formation coopérative et de
14 recherche.Statistical Computing Workshop • Atelier en Calculs
Statistiques
Brendan Cord Brendan Cord Lethebe est un chercheur
Lethebe is an expe- aguerri à l’Université de Calgary. Il
rienced researcher est également le responsable des méthodes
in University of Cal- et des analyses au sein de l’unité de
gary. He is also the recherche clinique au Cumming School of
methods/analytics Medicine de l’Université de Calgary. Il
lead of the clinical détient un baccalauréat en science actuar-
research unit at the ielle ainsi qu’une maı̂trise en biostatistique.
Cumming School of Il se concentre surtout sur la biostatistique,
Medicine at University of Calgary. He holds mais il est également doué en modélisation
a Bachelor in Actuarial Science (University mathématique, R, SQL, Python et STATA.
of Calgary) and a Masters in Biostatistics
(University of Calgary). He is mostly Résumé scientifique
focused in Biostatistics and is skilled in La capacité d’ajuster adéquatement des
Mathematical Modelling, Biostatistics, R, modèles d’apprentissage machine est de plus
SQL, Python, STATA and Clinical Research. en plus importante pour les statisticiens.
À l’aide d’un jeu de données public, nous
Abstract nous concentrerons sur un modèle de clas-
Being able to properly fit machine learning sification supervisée et sur des techniques
models is becoming an important skill for optimales pour la sélection de paramètres.
those in the statistical community. Using a Par l’intermédiaire de librairies R com-
publicly available dataset we will focus on munes, nous aborderons la régression lo-
supervised classification models, and tech- gistique LASSO, les forêts aléatoires, les
niques for optimal parameter selection. We réseaux de neurones, ainsi que de multi-
will explore the LASSO logistic regression, ples algorithmes pour les arbres de décision.
various decision tree algorithms, random for- Ceci nous permettra de bien distinguer les
est, and neural net using popular R pack- avantages et les inconvénients d’utiliser un
ages. This will allow us to clearly see the modèle interprétable plutôt que des algo-
advantages and disadvantages of using inter- rithmes ”boı̂te noire”.
pretable models vs “black-box” algorithms.
15Machine Learning applications in R
Applications de l’apprentissage machine en R
Prof. Tom Loughlin est directeur du
Tom Loughin is a
département de statistique et de science ac-
professor and chair
tuarielle à l’Université Simon Fraser (SFU) à
of the Department
Burnaby, Colombie-Britannique. Il a obtenu
of Statistics and
son doctorat en statistique de la Iowa State
Actuarial Science at
University et a passé treize ans à Kansas
Simon Fraser Uni-
State University avant de rejoindre SFU en
versity in Burnaby,
2006. Ses intérêts de recherche recoupent
British Columbia,
plusieurs champs d’applications statistiques
Canada. He got
et de développement méthodologique. Il
his PhD in Statis-
s’est penché notamment sur l’apprentissage
tics from Iowa
statistique, la modélisation de données
State University
catégoriques, la conception et l’analyse
and spent 13 years
d’expériences, ainsi que sur les statistiques
at Kansas State
sportives. Il a publié un livre intitulé ”Anal-
University before moving to SFU in 2006.
ysis of Categorical Data with R”, co-écrit par
Tom has broad research interests in many
Chris Bilder et disponible chez CRC Press.
areas of statistical application and method
Tom a une longue expérience en tant que con-
development, including statistical learning,
sultant statistique et possède l’accréditation
modeling categorical data, design and
PSTAT de la American Statistical Associa-
analysis of experiments, and statistics in
tion (ASA) et de la Société statistique du
sports. He has published a book, ”Analysis
Canada (SSC). Il est également Fellow de
of Categorical Data with R,” co-authored
l’ASA.
with Chris Bilder and available from CRC
Press. Tom has extensive experience as
a statistical consultant and has PSTAT
accreditation from both the ASA and the
Statistical Society of Canada. He is also a
Fellow of the ASA.
16Invited career speakers • Conférenciers invités à la séance
sur les carrières
Dominique Ibañez
Dominique est titulaire d’une maı̂trise en bio-
Dominique gradu-
statistique de l’Université de Toronto. Elle
ated with a Master’s
s’est jointe à la Direction des aliments de
degree in Biostatis-
Santé Canada il y a quatre ans. Elle est
tics from the Univer-
arrivée avec 25 ans d’expérience en analyse
sity of Toronto. She
statistique en milieu clinique, principalement
joined the Health
en recherche en rhumatologie. Elle a plus
Canada’s Food Di-
de 90 articles évalués par des pairs à son ac-
rectorate four years
tif. Elle dirige maintenant une équipe de dix
ago. She arrived
statisticiens. Sous sa direction, de nouvelles
with 25 years of
normes ont été introduites pour améliorer les
experience conduct-
performances. Celles-ci incluent: le men-
ing statistical analy-
torat du nouveau personnel par des person-
sis in a clinical en-
nes plus expérimentées, des forums de discus-
vironment – primar-
sion mensuels sur les statistiques, une plus
ily in Rheumatology research. She has over
grande attention portée à la recherche statis-
90 peer-reviewed articles to her credit. She
tique ainsi qu’à la création de liens avec
now leads a team of 10 statisticians. Un-
les chercheurs universitaires en nutrition à
der her leadership, new standards have been
travers le Canada. Son équipe a prodigué une
introduced to improve performance. Some
expertise statistique dans le cadre de projets
of these include: mentoring of new staff by
clés menés à la Direction des aliments, tels
more experienced ones, monthly statistical
que la réduction de la teneur en sodium des
discussion forums and greater focus on sta-
aliments, les évaluations précédant la mise en
tistical research as well as outreach to aca-
marché, et la présence de salmonelle dans le
demic nutrition researchers across Canada.
poulet.
Her team has been involved in providing sta-
tistical expertise and analysis in key projects
conducted in the Food Directorate such as
Sodium Reduction in Canada, pre-market
evaluations and Salmonella in Chicken.
17Lisa Lix
Dre Lisa Lix est professeure de biostatis-
Dr. Lisa Lix
tique et titulaire de la Chaire de recherche
is Professor of
du Canada de niveau 1 sur les méthodes
Biostatistics and
d’assurance de la qualité des données
a Tier I Canada
électroniques sur la santé au Collège de
Research Chair
médecine Max Rady de l’Université du
in Methods for
Manitoba. Elle est aussi directrice de la
Electronic Health
Plateforme de science des données du Cen-
Data Quality in
tre George & Fay Yee pour l’innovation
the Department of
dans les soins de santé, une unité de
Community Health
recherche résultant d’une collaboration en-
Sciences, Max Rady
tre l’Office régional de la santé de Win-
College of Medicine,
nipeg et l’Université du Manitoba. Le Cen-
University of Man-
tre George & Fay Yee vise à renforcer la
itoba. She is also
recherche ciblée sur le patient au Mani-
Director of the Data Science Platform in
toba. Son équipe, comportant plus de
the George & Fay Yee Centre for Healthcare
trente professeurs, membres du personnel
Innovation (CHI), a research unit that is a
de soutien et stagiaires possédant une ex-
collaboration between the Winnipeg health
pertise en biostatistique, en bioinformatique
region and the University of Manitoba. The
et en méthodologie de recherche clinique,
CHI aims to strengthen patient-focused
est axée sur la recherche méthodologique,
research in Manitoba. Her team of 30+
la formation et la consultation. Les do-
faculty, staff and trainees with expertise
maines d’expertise de Dre Lix comprennent
in biostatistics, bioinformatics, and clinical
les méthodes pour corriger les biais et les er-
research methodology focuses on method-
reurs dans les bases de données électroniques
ological research, training, and consulting.
sur la santé, les méthodes statistiques pour
Dr. Lix’s areas of research expertise in-
l’analyse d’issues rapportées par le patient
clude methods to address bias and error
et les méthodes d’analyse pour les données
in electronic health databases, statistical
longitudinales. Elle est une chercheuse pro-
methods for the analysis of patient-reported
lifique ayant publié plus de 325 articles sci-
outcomes, and methods for the analysis of
entifiques. Dr Lix est membre élue du con-
longitudinal data. She is a prolific researcher
seil d’administration de la Société statis-
who has published more than 325 scholarly
tique du Canada, présidente de la program-
papers. Dr. Lix is an elected member of the
mation du Congrès annuel de la SSC de
Board of Directors of the Statistical Society
2019, coprésidente du groupe de travail sur
of Canada, Program Chair for the Society’s
la qualité des données du Système canadien
2019 meeting in Calgary, Co-Chair of the
de surveillance des maladies chroniques, et
Data Quality Working Group for the Cana-
responsable désignée de la programmation
dian Chronic Disease Surveillance System,
en statistiques appliquées aux politiques de
and Program Chair Elect for the 2020 Joint
santé à la conférence Joint Statistical Meet-
Statistical Meetings Health Policy Statistics
ings (JSM) de 2020.
Section.
18Steven Wu
Steven Wu a obtenu un B.Math Hon. en
Steven Wu fin-
statistique de l’Université Carleton, puis une
ished his B. Math
M.Sc. en statistique de l’Université Simon
Hon. in Statistics
Fraser. Il a fait le programme co-op à
at Carleton Univer-
chaque institution. Pour son premier stage,
sity and finished his
il a été embauché comme testeur manuel
MSc Statistics at Si-
d’assurance qualité (QA) dans une startup,
mon Fraser Univer-
puisque sa connaissance de la programma-
sity. He did the
tion était terrible. La succession de tâches
co-op programs at
monotones lui a permis de réaliser le pou-
both schools, doing
voir de la programmation comme outil pour
his first work term as a manual QA tester
accroı̂tre la productivité. En s’imprégnant
at a startup because his programming skills
le jour de l’environnement de la haute tech-
were terrible. It was in that role of rote tasks
nologie, puis en raffinant le soir sa maı̂trise
where he realized how powerful program-
de Python, Steven a pu développer et met-
ming is as a tool for productivity. Absorbing
tre en marché une appli permettant aux
tech context at day and developing Python
entraı̂neurs de basketball dans les univer-
programming skills at night, Steven devel-
sités canadiennes d’améliorer leurs stratégies
oped and marketed a web app that allowed
de jeu à l’aide de données et de méthodes
Canadian university basketball coaches to
statistiques. Les tentatives de la vendre ont
inform their game-planning strategies using
échoué misérablement, mais l’expérience a
data and statistical methods. Attempts to
été malgré tout instructive et lui a de plus
sell it failed spectacularly but he learned a
donné un bon projet à mentionner dans le
ton and it made for a great project to talk
cadre de sa recherche d’emploi. Il a pos-
about when applying for jobs. He inter-
tulé auprès de quelques équipes sportives,
viewed with a few sports teams, government
départements gouvernementaux, et compag-
departments, tech companies, and a hedge
nies de haute technologie, ainsi qu’auprès
fund before accepting a role as a Data Sci-
d’un fonds spéculatif avant de dénicher un
entist for Shopify’s People Analytics team.
poste de spécialiste des données dans l’équipe
People Analytics collects and analyzes data
People Analytics de Shopify. L’équipe Peo-
about the Shopify team to (a) help leadership
ple Analytics collecte et analyse des données
make data informed decisions and (b) help
sur le fonctionnement de Shopify afin d’aider
make our workplace more efficient and en-
les dirigeants à prendre des décisions basées
gaging. We regularly use statistical methods
sur les données, et de créer un environnement
to influence decisions around hiring, perfor-
de travail plus efficace et stimulant. Son tra-
mance, retention, engagement, learning, cul-
vail statistique influence la prise de décision
ture, andmore.
en rapport à l’embauche, la performance,
la rétention, l’implication, l’apprentissage, la
culture, et bien plus.
19Scientific abstracts: Oral presentations • Résumés sci-
entifiques: présentations orales
Applications
08:50am - 09:35am, Theatre 4, Michela Panarella (Chair • Présidente)
michela.panarella@mail.utoronto.ca
Lin, Wei-Hsiang; Lin, Shih-Kuei; Tsai, Cary Chi-Liang
Impact of interest rate, surrender, and liquidity risks on the surplus of a portfolio of endow-
ment policies using optimal portfolio selection techniques
L’effet des risques de taux d’intérêt, de rachat et de liquidité sur le surplus d’un portfolio
de polices de dotation résultant de techniques optimales de sélection de portfolios
A life insurer charges an endowment pol- Un assureur charge au détenteur d’une po-
icyholder high premiums from which the lice de dotation des primes élevées, à par-
policyholder’s cash value is built at an tir desquelles se bâtit la valeur en argent
interest rate. The life insurer invests the de l’assuré, en fonction d’un certain taux
collected premiums in financial securities d’intérêt. L’assureur investit les primes
to meet or exceed the interest rate, and collectées dans des produits financiers afin
a policyholder can surrender his policy d’atteindre ou d’excéder ce taux d’intérêt.
before maturity and get his cash value back L’assuré peut racheter sa police avant ma-
subject to a surrender charge. When lots turité et obtenir ainsi sa valeur en argent,
of policyholders surrender their policies, moins les frais de rachat. Si un grand nom-
the life insurer needs to liquidate some bre d’assurés rachètent leur police, l’assureur
securities in a short time, which exposes the doit liquider des actifs financiers en peu de
insurer to liquidity risk. In this paper, we temps, créant un risque de liquidité. Dans
propose a framework to analyse the impact cet article, nous proposons une méthode
of interest rate, surrender, and liquidity risks pour analyser l’effet des risques liés aux taux
on the surplus of a portfolio of endowment d’intérêt, aux rachats et à la liquidité sur
policies. Under the framework, we formulate les surplus d’un portfolio de polices de dota-
the fair premium and risk-based reserves tion. À partir de cette méthode, nous for-
calculations. In addition, we adopt optimal mulons les calculs pour un montant de prime
portfolio selection methods for maximizing juste et pour les montants de réserve associés
utilities. A series of sensitivity analyses are au risque. Nous adoptons également des
conducted to illustrate the surplus distribu- méthodes optimales de sélection de portfolios
tions and corresponding utilities after the afin de maximiser les utilités. Dans ce con-
adoption. texte, nous réalisons un ensemble d’analyses
de sensibilité dans le but d’illustrer les distri-
butions des surplus et les utilités correspon-
dantes.
20Richard, Dan; Lupul, Nicholas
An Application of the Gibbs Sampling to the Battleship Game
Une application de l’échantillonnage de Gibbs au jeu Bataille Navale
Battleship is a classic two player game Bataille Navale est un jeu très populaire,
where the goal is to sink the opponent’s dans lequel deux joueurs visent à couler
ships. Programming a winning strategy les bateaux de l’adversaire. Programmer
for this game is difficult because the state une stratégie gagnante pour ce jeu est diffi-
space representing the possible coordinates cile, car l’espace d’état comprenant les coor-
for the opponent’s ships is huge. To solve données possibles des bateaux de l’adversaire
this issue, we implemented an algorithm est énorme. Afin de régler ce problème,
based on the Gibbs sampling to estimate nous avons implémenté un algorithme basé
the probability of each coordinate to contain sur l’échantillonnage de Gibbs (Gibbs sam-
a ship. Simulation results regarding the pling) nous permettant d’estimer la proba-
number of guesses to sink each ship and to bilité qu’un bateau se trouve à chaque co-
complete a game are presented along with ordonnée. Nous présentons les résultats de
strategy Insights. simulations en lien au nombre d’essais pour
couler chaque bateau et pour compléter le
jeu, ainsi que des conseils stratégiques con-
nexes.
21Ansari, Usama; Zhang, Chengkai
Statistical analysis of vessel motion patterns in the ports and waterways using Automatic
Identification System (AIS)
Analyse statistique des mouvements des navires dans les ports et sur les voies navigables en
utilisant le système d’identification automatique (SIA)
The abstract is devoted to statistical analysis Ce projet est consacré à l’analyse statis-
of vessel motion patterns in the ports and wa- tique des mouvements des navires dans les
terways using Automatic Identification Sys- ports et sur les voies navigables en util-
tem (AIS). AIS is an automatic ship self- isant le système d’identification automa-
reporting system used for the maritime trans- tique (SIA). Le SIA est un système automa-
portation purpose. The AIS system broad- tique d’autodéclaration des vaisseaux utilisé
casts the vessel sailing information like po- pour le transport maritime. Le système
sition, speed, status etc... which can be re- SIA diffuse l’information de navigation du
ceived by the other ships or Vessel Traffic Ser- navire, telle que la position, la vitesse et le
vice (VTS) centers . From the real historic statut, qui peut alors être reçue par d’autres
AIS data we extract the trajectory patterns navires ou par les centres de service du trafic
which are then used to construct the predic- maritime (STM). À partir de données his-
tion models to determine the trajectory of toriques réelles du SIA, nous avons extrait
the vessel. The challenges faced unlike the des schémas des trajectoires qui sont en-
vehicles have limitations when driving on the suite utilisés pour élaborer des modèles de
road, a ship vessel can move from one port prédiction pour déterminer la trajectoire des
to the other port with various speeds and dif- navires. Contrairement aux véhicules qui
ferent trajectories, which makes it difficult to circulent sur les routes, un navire peut se
analyze which port is its destination. The ca- déplacer d’un port à l’autre à différentes
pability to accurately forecast the movement vitesses et en employant différentes trajec-
of ships globally would potentially enable the toires, rendant difficile de déterminer le port
maximization of business trading profits and de destination, ce qui représente un défi. La
safety of life at sea. capacité de prédire avec précision le mou-
vement des navires pourrait potentiellement
permettre la maximisation des profits de
commerce et de la sécurité de la vie marine.
22Robust estimators • Estimateurs robustes
08:50am - 09:35am, O1500, Victoire Michal (Chair • Présidente)
victoire.michal@umontreal.ca
Di, Wu
Construction of D-optimal Designs in Polynomial Regression Models
Formulation de plans D-optimaux pour les modèles de régression polynomiale
Whenever we have an appropriate statistical Même avec un modèle statistique appro-
model, it is crucial to have good estimation of prié, l’estimation des paramètres, bien que
the parameters of the model. Optimal design cruciale, peut être difficile. La formula-
plays a big role on achieving this objective. tion d’un plan optimal aide à améliorer
There are a variety of criteria defining good les estimés obtenus. Il existe une multi-
estimation. Motivated by this fact, we con- tude de critères pour quantifier la qualité
struct D-optimal designs by minimizing the de l’estimation. Dans cet esprit, nous for-
generalized variance of the parameter estima- mulons des plans D-optimaux en minimisant
tors of some polynomial regression models. la variance généralisée des estimateurs des
In order to construct such designs, we use paramètres de modèles de régression polyno-
a class of algorithms, indexed by a function miale. Nous employons un type d’algorithme
which depends on the derivatives of the cri- indexé par une fonction dépendant de la
terion function. We also attempt to improve dérivée de la fonction critère. Nous ten-
the convergence of the algorithm by using the tons également d’améliorer la convergence de
properties of the directional derivatives of the l’algorithme en exploitant les propriétés des
criterion function. dérivées directionnelles de la fonction critère.
23Zhang, Weijia; Yang, Po; Muthukumarana, Saman
A new design of the continual reassessment method
Un nouveau plan d’expérience pour la méthode de réévaluation continue
We propose a new design of the continual Nous proposons un nouveau plan
reassessment method (CRM) and system- d’expérience pour la méthode de réévaluation
atically evaluate its performance on certain continue et évaluons systématiquement
operating measures to satisfy the require- sa performance sur certaines mesures
ments of collective and individual ethics. opérationnelles pour satisfaire aux exi-
We consider the cases of a single drug and a gences éthiques collectives et individu-
combination of two drugs. Simulation results elles. Nous considérons le cas d’un seul
show that our new method works well over- médicament et celui d’une combinaison
all in comparison with currently available de deux médicaments. Les résultats de
designs, on criteria BEARS: Benchmark, simulation montrent que notre méthode
Efficacy, Accuracy, Safety. Our new design fonctionne bien globalement en comparaison
avoids toxic doses while reliably identifying avec les plans d’expérience actuellement
the maximum tolerated dose. disponibles, selon les critères de Beers:
référence, efficacité, précision et sécurité.
Notre nouveau plan d’expérience évite les
doses toxiques tout en identifiant de manière
fiable la dose maximale tolérée.
24Van Bussel, Melissa; Castel Sophie; Burr, Wesley
Time Series Interpolation Algorithms: An Application to Real-World Data
Algorithmes d’interpolation pour séries chronologiques : Application à des données réelles
The analysis of complex scientific data ob- L’analyse de données scientifiques complexes
served in the form of time series often uses observées sous forme de séries chronologiques
the power spectrum as an exploratory tool. fait souvent appel au spectre de puissance
Robust estimators of this statistic have ex- comme outil d’exploration. Des estima-
isted for some time, but typically require that teurs robustes de cette statistique existent
the data set be contiguous, that is, without depuis un certain temps, mais ils requièrent
any missing observations. This presents a habituellement que le jeu de données soit
problem for many data sets, as observations contigu, c’est-à-dire qu’il n’y ait pas de
can be missing for a number of reasons: in- valeurs manquantes. Ceci constitue un
strumentation error or fault, data corruption, problème pour plusieurs bases de données,
or observational concerns such as interrupted puisque des observations peuvent être man-
vision of the observational unit (e.g., satel- quantes pour une foule de raisons: erreurs
lites losing data coverage due to cloud cover). ou défauts dans la prise de mesure, corrup-
Interpolators for time series aim to repair the tion des données, ou problèmes d’observation
original scientific data by inserting estimated tels que l’interruption dans l’observation de
values for the missing quantities. In this l’unité, p.ex. un satellite perdant le sig-
talk, we will examine the computational nal visuel dû au couvert nuageux. Les in-
and performance results for a number of terpolateurs pour les séries chronologiques
modern interpolation algorithms, as applied visent à arranger les données scientifiques
to various real-world datasets. We conclude originales en insérant des valeurs estimées
with recommendations for interpolator pour les quantités manquantes. Dans cette
choice based on the structure of the data of présentation, nous examinerons les résultats
interest. calculatoires et la performance d’un certain
nombre d’algorithmes d’interpolation mod-
ernes, appliqués à divers jeux de données
réelles. Nous concluons avec des recomman-
dations pour le choix d’un interpolateur basé
sur la structure des données choisies.
25Causal inference • Inférence causale
08:50am - 09:35am, 1405B, Thai-Son Tang (Chair • Président)
thaison.tang@mail.utoronto.ca
Ghosh, Trinetri ; Ma, Yanyuan ; Luna, Xavier de
Sufficient dimension reduction for feasible and robust estimation of average causal effect
Réduction suffisante de la dimensionnalité pour une estimation réalisable et robuste de l’effet
causal moyen
When estimating the treatment effect in Pour l’estimation de l’effet du traitement
an observational study, we use a semipara- dans une étude observationnelle, nous util-
metric locally efficient dimension reduction isons une approche de réduction de di-
approach to assess both the treatment mensionnalité semi-paramétrique et efficace
assignment mechanism and the average localement. Elle permet l’évaluation du
responses in both treated and nontreated mécanisme d’assignation du traitement et de
groups. We then integrate all results la réponse moyenne dans les groupes traités
through imputation, inverse probability et non-traités. Par la suite, nous intégrons
weighting and doubly robust augmentation tous les résultats à l’aide d’estimateurs par
estimators. Doubly robust estimators are imputation, par pondération selon la prob-
locally efficient while imputation estima- abilité inverse, et par augmentation dou-
tors are super-efficient when the response blement robustes. Les estimateurs double-
models are correct. To take advantage of ment robustes sont efficaces localement, tan-
both procedures, we introduce a shrinkage dis que les estimateurs d’imputation sont
estimator to automatically combine the two, super-efficaces si les modèles pour la réponse
which retains the double robustness property sont corrects. Afin de tirer avantage des deux
while improving on the variance when the approches, nous présentons un estimateur de
response model is correct. We demonstrate rétrécissement (shrinkage estimator) les com-
the performance of these estimators through binant automatiquement. Il préserve la pro-
simulated experiments and a real dataset priété de double robustesse et améliore la
concerning the effect of maternal smoking variance quand le modèle pour la réponse est
on baby birth weight. correct. Nous démontrons la performance de
l’estimateur à partir d’expériences simulées
et via l’analyse d’un véritable jeu de données
traitant de l’effet du tabagisme maternel sur
le poids des enfants à la naissance.
26Kuan Liu; Olli Saarela; Eleanor Pullenayegum
On Bayesian estimation of causal effect with a latent confounder class
Estimation bayésienne d’un effet causal en présence d’une classe de confusion latente
Despite the practicality, observational studies Malgré leur aspect pratique, les études observa-
are subjected to selection and confounding bias tionnelles sont sujettes à du biais de sélection et
and often require all confounders to be mea- de confusion. Pour l’inférence d’un lien causal,
sured and controlled to infer casual relationship. elles requièrent souvent que tous les facteurs de
In practice, it’s difficult to ensure and assume confusion soient mesurés et contrôlés. En pra-
all confounders were captured in the data. We tique, il est difficile de s’assurer que tous les fac-
consider a causal effect that is confounded by teurs de confusion ont été enregistrés. Nous con-
an unobserved latent confounder class. This sidérons dans cette étude un effet causal confus
latent class can be viewed as the unobserved par une classe de confusion latente non observée.
augmented disease-risk/comorbidity profile On peut considérer cette classe latente comme le
that functions as a confounder. The observed profil non observé et augmenté de comorbidité
covariates, instead of being treated directly as et de risque de maladie, qui agit en tant que
confounders, are categorized into two groups: facteur de confusion. Nous ne traitons pas di-
one predicts the latent class (class predictors) rectement les covariables observées comme de
and one manifested from the latent class (class simples facteurs de confusion. Nous les subdi-
indicators). We assume the unobserved latent visons plutôt en deux groupes: l’une comprend
class 1) captures the true confounding informa- les prédicteurs de classe, et l’autre comprend
tion, 2) can be sufficiently identified (modeled) les effets découlant de la classe (indicateurs de
given the measured covariates and 3) deter- classe). Nous assumons que la classe latente non
mines both the treatment and outcome process. observée reflète l’information véritable de confu-
Furthermore, conditioning on the latent class, sion, qu’elle puisse être suffisamment identifiée
treatment assignment is independent of the po- (modélisée) à l’aide des covariables mesurées, et
tential outcomes, which permits a full Bayesian enfin, qu’elle détermine autant le processus de
parameterization of the joint distribution of the traitement que celui de réponse. De plus, en
treatment model, outcome model and the latent conditionnant sur la classe latente, on obtient
class model. Our proposed causal problem is que l’assignation du traitement est indépendante
appealing - it features dimension reduction of des réponses potentielles. Ceci permet une
the measured covariates through modeling the paramétrisation bayésienne complète de la dis-
underlying patient augmented confounding in tribution conjointe du modèle de traitement, de
a latent class analysis. The objective of this réponse et de classe latente. Le problème causal
presentation is to present the proposed causal que nous abordons est attrayant: il implique
problem, share existing literature in causal une diminution de la dimensionnalité des covari-
inference with unmeasured (latent) confounder ables mesurées à travers la modélisation, par
and discuss the planned Bayesian estimation. une analyse de classe latente, de la confusion
augmentée sous-jacente pour le patient. Cette
présentation vise à expliquer le problème causal
proposé, faire connaı̂tre la littérature existante
en inférence causale en présence d’un facteur
de confusion (latent) non mesuré, et mettre en
lumière l’estimation bayésienne imaginée.
27Chakraborty, Shubhadeep ; Zhang, Xianyang
Distance Metrics for Measuring Joint Dependence with Application to Causal Inference
Mesures de distance pour mesurer la dépendance conjointe avec application à l’inférence
causale
Many statistical applications require the Plusieurs applications statistiques
quantification of joint dependence among nécessitent de quantifier la dépendance
more than two random vectors. In this work, conjointe d’un ensemble formé de plus de
we generalize the notion of distance covari- deux vecteurs aléatoires. Dans nos travaux,
ance to quantify joint dependence among nous généralisons la notion de covariance
d ≥ 2 random vectors. We introduce the de distance pour quantifier la dépendance
high order distance covariance to measure conjointe d’un ensemble formé de d ≥ 2
the so-called Lancaster interaction depen- vecteurs aléatoires. Nous introduisons une
dence. The joint distance covariance is then distance de covariance d’ordre supérieur
defined as a linear combination of pairwise pour mesurer la soi-disant dépendance
distance covariances and their higher order d’interaction de Lancaster. La covariance de
counterparts which together completely distance conjointe est ainsi définie comme
characterize mutual independence. We une combinaison linéaire des distances de co-
further introduce some related concepts variance deux-à-deux et de leurs homologues
including the distance cumulant, distance d’ordre supérieur, qui lorsque combinés
characteristic function, and rank-based caractérisent complètement la dépendance
distance covariance. Empirical estimators mutuelle. Ensuite, nous introduisons cer-
are constructed based on certain Euclidean tains concepts connexes, comme le cumulant
distances between sample elements. We de la distance, la fonction caractéristique
study the large sample properties of the es- de la distance, et la covariance de distance
timators and propose a bootstrap procedure basée sur le rang. Des estimateurs em-
to approximate their sampling distributions. piriques sont construits à partir de certaines
The asymptotic validity of the bootstrap distances euclidiennes entre les éléments de
procedure is justified under both the null l’échantillon. Nous étudions les propriétés
and alternative hypotheses. The new metrics de ces estimateurs pour des échantillons
are employed to perform model selection in de grande taille, et nous proposons une
causal inference, which is based on the joint procédure bootstrap pour approximer leur
independence testing of the residuals from distribution d’échantillonnage. La validité
the fitted structural equation models. The asymptotique de la procédure bootstrap
effectiveness of the method is illustrated via est justifiée sous les hypothèses nulle et
both simulated and real datasets. alternative. Les nouvelles mesures sont
utilisées pour sélectionner un modèle en
inférence causale, celui-ci basé sur un test
d’indépendance conjointe des résidus tiré
de l’ajustement d’un modèle d’équations
structurelles. L’efficacité de la méthode
est illustrée à l’aide de données simulées et
réelles.
28Model selection • Sélection de modèle
09:40am - 10:25am, 1405B, Thai-Son Tang (Chair • Présidente)
thaison.tang@mail.utoronto.ca
Kiwon, Francis; Nolet-Gravel, Eloise; Jalbert, Jonathan
Frequentist Model Averaging Estimator of Support Vector Machine Classfiers and Regres-
sors
Estimateur par combinaison de modèles fréquentistes pour les classificateurs et régresseurs
par machines à vecteurs de support
With its capability of reducing model vari- Grâce à sa capacité à réduire la variance du
ance while retaining bias, model averaging modèle tout en limitant le biais, la combinai-
presents a captivating alternative to model son de modèles (model averaging) présente
selection for tackling model uncertainty. We une alternative captivante à la sélection de
propose an application of the Mallows model modèles classique. Nous proposons une ap-
averaging (MMA) technique suggested by plication de la technique de combinaison de
Hansen (2007), which is based on minimizing modèles de Mallows (CMM), basée sur la
the Mallows criterion to a set of support minimisation du critère de Mallows sur un
vector machines (SVM), for both classifi- ensemble de machines à vecteurs de support
cation and regression. We compared mean (MVS), à la fois pour la classification et pour
squared error (MSE) of MMA estimator la régression. Nous avons comparé l’erreur
with those of models averaged or selected quadratique moyenne (EQM) de l’estimateur
based on the other information criteria CMM avec celle des combinaisons de modèles
designed for SVM models by Vapnik (1982) ou des sélections de modèles basés sur
and Claeskens (2008). Although there is no d’autres critères d’information conçus pour
single dominant approach over a range of les modèles de MVS. Bien qu’il n’y ait
sample sizes and signal-to-noise ratios, from pas une seule approche dominante pour une
a minimax viewpoint not only is model av- gamme de tailles échantillonnales et de ratio
eraging shown to be more competitive than signal sur bruit, d’un point de vue minimax,
model selection, but my MMA estimator is la combinaison de modèles s’avère plus per-
competitive among its peer model averaging formante que la sélection de modèles. En ter-
methods in terms of MSE, especially with mes d’EQM, elle se compare également avan-
smaller sample sizes and larger signal-to- tageusement aux méthodes par combinaison
noise ratios. Theoretical underpinnings and de modèles analogues, en particulier pour des
an illustrative application are also presented. échantillons plus petits et pour des ratios sig-
nal sur bruit plus élevés. Des fondements
théoriques et une application illustrée sont
également présentés.
29Hoque, Md Rashedul; Sumeet, Kalia
Approximation of the Formal Bayesian Model Comparison using the Extended Conditional Pre-
dictive Ordinate Criterion
Approximation de la comparaison de modèle bayésienne formelle à l’aide du critère des ordonnées
étendu, conditionnel et prédictif
The optimal method for Bayesian model com- Le facteur de Bayes (FB) formel constitue
parison is the formal Bayes factor (BF), accord- la méthode optimale pour la comparaison
ing to decision theory. The formal BF is compu- bayésienne de modèles. Le FB formel est
tationally troublesome for more complex mod- toutefois gênant sur le plan computationnel
els. If predictive distributions under the com- pour les modèles plus complexes. Quand les
peting models do not have a closed form, a cross- distributions prédictives pour les modèles en
validation idea, called the conditional predic- compétition n’ont pas de forme fermée, on peut
tive ordinate (CPO) criterion can be used. In utiliser une idée issue de la validation croisée,
the cross-validation sense, this is a ”leave-out dénommée ”le critère de l’ordonnée condition-
one” approach. CPO can be calculated directly nelle prédictive” (conditional predictive ordi-
from the Monte Carlo (MC) outputs, and the re- nate criterion, OCP). En termes de validation
sulting Bayesian model comparison is called the croisée, il s’agit d’une approche leave-one out.
pseudo Bayes factor (PBF). We can get closer On peut calculer le critère OCP directement
to the formal Bayesian model comparison by in- à partir du résultat de l’algorithme de Monte
creasing the ”leave-out size”, and at ”leave-out Carlo (MC). On dénomme ”pseudo-facteur de
all” we recover the formal BF. But, the MC er- Bayes” (PFB) la comparaison de modèles en
ror increases with increasing ”leave-out size”. In résultant. On peut s’approcher de la compara-
this study, we examine this for linear regression ison de modèles formelle bayésienne en aug-
models. mentant la ”taille d’exclusion” (leave-out size).
Our study reveals that the Bayesian model Si cette taille correspond à toutes les données,
comparison can favour a different model for on obtient le FB formel. Cependant, l’erreur
PBF compared to BF when comparing two MC augmente en fonction de cette taille. Dans
close linear models. So, larger ”leave-out sizes” cette étude, nous analysons ce phénomène pour
are preferred which provide result close to the les modèles de régression linéaire. Notre étude
optimal BF. On the other hand, MC samples révèle que, dépendant de l’utilisation du FB ou
based formal Bayesian model comparisons are du PFB, la comparaison bayésienne de modèles
computed with more MC error for increasing peut favoriser un modèle différent en présence
”leave-out sizes”; this is observed by comparing de modèles linéaires similaires. Utiliser une plus
with the available closed form results. Still, grande taille d’exclusion est préférable, puisque
considering a reasonable error, we can use cela produit un résultat plus proche de celui
”leave-out size” more than one instead of fixing du FB optimal.Toutefois, les comparaisons de
it at one. modèles bayésiennes formelles basées sur des
échantillons MC produisent une plus grande er-
reur quand la taille d’exclusion est grande. Nous
remarquons ceci grâce à une comparaison avec
des résultats à forme fermée. Malgré tout,
si l’erreur reste suffisamment petite, on peut
utiliser une taille d’exclusion supérieure à un.
30You can also read
