Régression bayésienne semi-paramétrique par le modèle de Potts

03/10/2016 - 15:30
03/10/2016 - 16:30
Speaker: 
Alejandro Murua, (Université de Montréal)
Location: 
Seminar Statistique Sherbrooke,2500, boul. de l'Université, Salle D4-2019, Sherbrooke
Abstract: 

Nous considérons la régression non-paramétrique bayésienne à travers des modèles de partitions aléatoires. Notre approche consiste en la construction d'une distribution a priori dépendant des covariables sur des partitions des individus. Notre objectif est d'utiliser les informations données par les covariables pour améliorer l'inférence prédictive. Pour ce faire, nous proposons une loi a priori sur les partitions basée sur le modèle de classification de Potts associé aux covariables observées. Par la proximité entre covariables, cela conduit simultanément à la formation de grappes et à la distribution prédictive a priori. Ce modèle a priori est suffisamment flexible pour supporter de nombreux types de modèles de vraisemblance. Nous nous concentrons sur le modèle de régression. Les détails de mise en oeuvre sont examinés pour le cas spécifique de la régression linéaire multiple multivariée. Le modèle proposé fonctionne bien en termes d'ajustement du modèle et de prévision! par rapport à d'autres approches de régression non paramétriques alternatives. Nous illustrons la méthodologie avec une application à l'état de santé des nations au tournant du 21e siècle. Ceci est un travail conjoint avec Fernando Quintana, Pontificia Universidad Catolica de Chile.

Last edited by on Thu, 03/03/2016 - 15:32