Conference
Sélection de variables en grande dimension dans les modèles non linéaires à effets mixtes
| العنوان: | Sélection de variables en grande dimension dans les modèles non linéaires à effets mixtes |
|---|---|
| المؤلفون: | Naveau, Marion, Kon Kam King, Guillaume, Sansonnet, Laure, Delattre, Maud |
| المساهمون: | Mathématiques et Informatique Appliquées (MIA Paris-Saclay), AgroParisTech-Université Paris-Saclay-Institut National de Recherche pour l’Agriculture, l’Alimentation et l’Environnement (INRAE), Mathématiques et Informatique Appliquées du Génome à l'Environnement Jouy-En-Josas (MaIAGE), Institut National de Recherche pour l’Agriculture, l’Alimentation et l’Environnement (INRAE), ANR-20-CE45-0012,Stat4Plant,Méthodes statistiques pour caractériser les interactions entre la plante et son environnement(2020) |
| المصدر: | 9ème Rencontre des Jeunes Statisticiens https://hal.inrae.fr/hal-04247947 9ème Rencontre des Jeunes Statisticiens, Apr 2022, Porquerolles, France https://rjs2022.sciencesconf.org/ |
| بيانات النشر: | CCSD |
| سنة النشر: | 2022 |
| مصطلحات موضوعية: | Sélection de variables, Données de grande dimension, Modèle non linéaire à effets mixtes, Spike and slab prior, Algorithme SAEM, [MATH.MATH-ST]Mathematics [math]/Statistics [math.ST] |
| جغرافية الموضوع: | Porquerolles, France |
| الوصف: | International audience ; Les données de grande dimension, avec beaucoup plus de covariables que d'observations, comme les données génomiques par exemple, sont maintenant couramment analysées. Dans ce contexte, il est souvent souhaitable de pouvoir se concentrer sur les quelques covariables les plus pertinentes grâce à une procédure de sélection de variables. La question de la sélection de variables en grande dimension est largement documentée dans les modèles de régression standard, mais il existe encore peu d'outils pour y répondre dans le cadre des modèles à effets mixtes non linéaires. Dans ce travail, nous abordons la sélection de variables sous un angle bayésien et proposons une procédure de sélection combinant l'utilisation de priors spike-and-slab et l'algorithme SAEM. Comme pour la régression Lasso, l'ensemble des covariables pertinentes est sélectionné en explorant une grille de valeurs pour le paramètre de pénalisation. L'approche proposée est plus rapide qu'un algorithme MCMC classique et montre de très bonnes performances de sélection sur des données simulées. |
| نوع الوثيقة: | conference object |
| اللغة: | French |
| الاتاحة: | https://hal.inrae.fr/hal-04247947 https://hal.inrae.fr/hal-04247947v1/document https://hal.inrae.fr/hal-04247947v1/file/Presentation_SAEMVS%20%2834%29.pdf |
| Rights: | info:eu-repo/semantics/OpenAccess |
| رقم الانضمام: | edsbas.F44BBB36 |
| قاعدة البيانات: | BASE |
| الوصف غير متاح. |