Programme et résumés (pdf) - Société statistique du Canada

3Table of Contents • Table des matièresTable of Contents • Table des matières 3Welcome • Bienvenue 4Sponsors • Commanditaires 5Organizers • Organisateurs 6Exhibitors • Exposants 7General Information • Information générale 7Committees and Meetings • Comités et réunions 13List of Sessions • Liste des sessions 17Program • Programme 22Abstracts • Résumés 54Author Index • Index des auteurs 153Author Index (per session) • Index des auteurs (par session) 158

4Welcome • BienvenueThe University of Saskatchewan, the City of Saskatoon, and the Province of Saskatchewan welcome you.This year marks the Province’s centennial and it is good for the members of the Statistical Society ofCanada to join the local people in celebrating this anniversary. A little more than three weeks ago, theQueen honoured us with a visit. The Annual Meeting of the SSC does not generate as much publicexcitement as the presence of Her Majesty. Nevertheless, for statisticians, the talks and events of thecoming days will create a similar enthusiasm.We hope that you will find some time to explore Saskatoon and maybe other parts of Saskatchewan.They call it the land of the living skies. Instead of mountains we have clouds, instead of the sea, there isthe prairie. Walking along the South Saskatchewan River you realize that one can experience nature evenin the city.We wish you a stimulating and enjoyable meeting as you continue to build the community of statisticiansin Canada and the world.L’Université de la Saskatchewan, la ville de Saskatoon, et la province de la Saskatchewan vous souhaitentla bienvenue. Cette année est le centenaire de la province et nous sommes heureux que les membres de laSociété statistique du Canada joignent les gens locaux pour célébrer cet anniversaire. Il y a un peu plusde trois semaines la reine nous a honorés de sa visite. Le Congrès annuel de la SSC n’engendre pas uneémotion aussi vive parmi la population que la présence de Sa Majesté. Néamoins, pour les statisticiens etstatisticiennes, les conférences et activités des prochains jours exprimeront une passion comparable.Nous espérons que vous aurez du temps d’explorer Saskatoon et peut-être d’autres parties de la Saskatchewan.On l’appelle le pays des cieux vivants. Au lieu de montagnes nous avons des nuages, au lieude mer, il y a la prairie. En faisant une promenade le long de la rivière Saskatchewan Sud, on constate quemême dans la ville il est possible d’éprouver la nature.Nous souhaitons que vous passiez des journées stimulantes et agréables tout en édifiant la communitéde statisticiens et de statisticiennes du Canada et du monde.

6Organizers • OrganisateursLocal Arrangements Committee • Comité organisateur localChair • Président: Mik BickisThe Chair would like to express his sincerest thanks to his colleagues Vaneeta Grover, Sakti Jana, TulayKoru-Sengul, Haydar Sengul, Chris Soteros, and Raj Srinivasan, for their generousd help of varioussorts over the last several months. He also wants to acknowledge the support of Robert Baker, WinfriedGrassmann and Punam Pahwa.Many people have contributed to the success of this conference. The Local Arrangements Chair isparticularly grateful to Lynn Guina and the staff of the University of Saskatchewan Conference Servicesfor taking care of all the details of registration, logistics, and feeding of the conference participants. DionRowney of the Division of Media and Technology created the excellent on-line registration system.Le Centre de recherches mathématiques at the Université de Montréal kindly provided the systemfor capturing the abstracts found in this booklet. Its production was possible thanks to the advice andassistance of Christian Léger who produced it last year. Daniel Ouimet and André Montpetit of CRMprepared the data base and translated it into L A TEX code. Louis François Poirier carefully translated intoFrench abstracts that had been submitted only in English. Jane Bickis developed the cover concept, whichwas implemented by Lori Verishagen of the University of Saskatchewan Printing Services. The finalprinting was accomplished by Maria Jochmaring.We must also thank Ronda Pletz and Julie Zerebeski of MyTravel Sinfonia for facilitating hotel bookings;Rhonda Schindel and Veronica Nessman of the Sheraton Hotel; JoAnne Paydli, Jacqui McAfee, andColleen Kisby of the Park Town Hotel; Marion Smale of the Western Development Museum; Don Turnmireof Sharp’s Audio-Visual; and Janice Graham of Impact Marketing.Le président souhaite offrir ses plus sincères remerciements à ses collègues Vaneeta Grover, Sakti Jana,Tulay Koru-Sengul, Haydar Sengul, Chris Soteros, et Raj Srinivasan, pour leur généreuse aide sous plusieursformes au cours des derniers mois. Il veut également souligner l’appui qu’il a reçu de Robert Baker,Winfried Grassmann et Punam Pahwa.Beaucoup de personnes ont contribué au succès du congrès. Le président du comité organisateur localest particulièrement reconnaisant à Lynn Guina et le personnel du service des congrès de l’Universitéde la Saskatchewan de prendre soin de tous les détails de l’inscription, de la logistique et de l’alimentationdes congressistes. Dion Rowney de la Division média et technologie a construit l’excellent systèmed’inscription en ligne.Le Centre de recherches mathématiques de l’Université de Montréal a gracieusement fourni le systèmepour capturer les résumés qui se trouvent dans ce cahier. Sa production a été possible grâce au conseil età l’aide de Christian Léger qui l’avait produit l’an passé. Daniel Ouimet et André Montpetit du CRM ontpréparé la base de données et l’ont transformée en code de L A TEX. Louis François Poirier a scrupuleusementtraduit en français les résumés soumis uniquement en anglais. Jane Bickis a conçu le dessein de lacouverture ; sa réalisation est accompli par Lori Verishagen du Service d’imprimerie de l’Université de la

Exhibitors • Exposants 7Saskatchewan. Maria Jochmaring a réussi le tirage final des cahiers.On doit aussi remercier Ronda Pletz et Julie Zerebeski de MyTravel Sinfonia pour faciliter l’hébergement; Rhonda Schindel et Veronica Nessman de l’Hôtel Sheraton ; JoAnne Paydli, Jacqui McAfee etColleen Kisby de l’Hôtel Park Town ; Marion Smale du Western Development Museum ; Don Turnmirede Sharp’s Audio-Visual ; et Janice Graham de Impact Marketing.Program Committee • Comité du programmeChair • Président: Ausustine Wong, York UniversityMembers • Membres:Biostatistics Section • Groupe de biostatistiqueGordon Fick, University of CalgaryBusiness and Industrial Statistics Section • Groupe de statistique industrielle et de gestionStefan Steiner, University of WaterlooSurvey Methods Section • Groupe de méthodologie d’enquêteChangbao Wu, University of Waterloo,Exhibitors • ExposantsDisplays of books for examination and purchase may be found in room 202 of the Arts building. Representativesof John Wiley, Pearson, and Thompson-Nelson will be present. W. H. Freeman did not send arepresentative, but their material may be viewed in the coffee area.Une exposition des livres que l’on peut examiner ou acheter est située dans la salle 202 de l’Édifice desArts. Les représentants des maisons d’édition John Wiley, Pearson, et Thompson-Nelson y assisteront. Iln’y a pas de représentant de W. H. Freeman, mais on peut consulter son matériel de promotion à l’endroitoù à lieu la pause-café.General Information • Information généraleRegistration will be in the Conference Foyer of the Sheraton Hotel on Sunday, June 12, during the hours8:00–10:30, 12:30–14:00, and 16:00–19:00. From Monday to Wednesday, the registration desk will belocated in the Arts Building at the University of Saskatchewan, in the area near room 133. It will be openon Monday from 7:30–15:00, on Tuesday from 8:00–12:30, and on Wednesday from 8:00–11:00.L’inscription aura lieu dans le Conference Foyer de l’Hôtel Sheraton pendant les heures 8 :00–10 :30,12 :30–14 :00, et 16 :00–19 :00. De lundi à mercredi, le comptoir d’inscription sera situé dans l’Édifice

8 General Information • Information généraledes Arts à l’Université de la Saskatchewan près de la salle 133. Les heures d’ouverture seront de 7 :30–15 :00 le lundi, 8 :00–12 :30 le mardi, et 8 :00–11 :00 le mercredi.DirectionsAt a brisk walk, you can get to the University from the Sheraton Hotel in twenty minutes—fifteen fromthe Park Town. Leaving the Sheraton, turn left and walk along the river to the Park Town, which lies atthe foot of the University Bridge. You should walk under the bridge and cross the river on the sidewalkon the north side of the bridge. On the other side you will find a dusty footpath going up a small rise.Follow the path (watch out for gopher holes!) to the grounds of the Royal University Hospital. Pass bySt. Andrew’s College onto Clinic Place and keep going until you pass the Dental Clinic. There you willsee a passage going under a skywalk. Going through the passage, the observatory will be straight ahead,with an intersection of three roads to your left. On the other side of the intersection you will see a pavedpath with a large monolithic building—the library—to the right. Follow the path until you come to a patioon the left. A tall white building—the so-called “Arts Tower” is on the other side of the patio. That iswhere the conference will take place.If you don’t want to walk, a charter bus will leave the hotels at 7:45 and 8:15 on Monday, and at 8:15and 8:45 on Tuesday and Wednesday. You can also take public transport. Bus numbers 6A and 25 go tothe University. There is a bus stop beside the Park Town Hotel. Each route provides 30 minute service, sothere is a bus every 15 minutes. On Sunday, however, you have to wait 30 minutes between buses. Thefare is $2.10, exact change.If you are travelling by car, be advised that parking near the Arts Building is quite expensive: $1.50 perhour. You can take advantage of parkades that are a bit farther but cheaper. The Stadium Parkade lies onthe south side of College Drive, the street that comes off the bridge. You can park there for $2, regardlessof the time—you pay when you exit. A bit closer is the underground parkade in the Agriculture Building.After crossing the bridge, turn left at Wiggins Road (there are traffic lights), left again at Campus Driveand continue to Science Place on the right. At the end of this street is the parking area No. 5. The cost is$3. It’s about a 500 m walk to the Arts Building. (If it’s raining, you can get from one place to the otherwithout going outside.)En marchant un peu rapidement, on peut arriver à l’Université de l’Hôtel Sheraton en vingt minutes ;de l’Hôtel Park Town ça prend quinze minutes. En quittant l’Hôtel Sheraton, tournez à gauche et marchezle long de la rivière jusqu’au Hôtel Park Town. Celui-ci est près du pont de l’Université. Il faut passer audessous du pont et traverser la rivière sur le trottoir du côté nord du pont. A l’autre rive vous trouverezun chantier un peu poussiereux qui monte une petite colline. Suivez ce chantier (attention aux terriersde spermophiles !) jusqu’au terrain du Royal University Hospital. Passez à côté du St. Andrew’s Collegesur Clinic Place, et passez aussi le Dental Clinic. Là vous verrez un passage au dessous d’une passerelle.En sortant le passage il y aura l’observatoire tout droit. À gauche il y aura une intersection des troischaussées. À l’autre côté de cette intersection vous verrez un trottoir avec un gros bâtiment monolithe—labibliothèque—à droite. Suivez le trottoir jusqu’à une petite terrasse qui se présente de gauche. A l’autrecôté il y aura un édifice blanc en hauteur—le “Arts Tower”. Le lieu du Congrès se trouve dans cet édifice.Si vous ne voulez pas marcher, il y aura un autobus nolisé qui partira des deux hôtels à 7h45 et 8h15le lundi, et à 8h15 et 8h45 les mardis et mercredis. Il y a également le transport public. Les autobusN os 6A et 25 vont à l’Université. Il y a un point d’arrêt à coté de l’Hôtel Park-Town. Chaque ligne a unefréquence de 30 minutes—alors il y a un autobus chaque 15 minutes. Le dimanche, cependant, il fautattendre 30 minutes entre les autobus. Le tarif est 2,10$, monnaie exacte requise.Si vous voyagez en voiture, soyez averti que le stationnement près de l’Édifice des Arts est cher : 1,50$par heure. Vous pouvez profiter des parcs de stationnement un peu plus loin qui sont moins coûteux. Le

General Information • Information générale 9Stadium Parkade se trouve à côté sud du College Drive, la rue qui amène du pont de l’Université. On peuty stationner pour 2$, sans égard pour le temps—vous payez lorsque vous sortez. Un peu plus près il y aun parc de stationnement souterrain dans l’Édifice d’Agriculture. Après avoir traversez le pont, tournezà gauche à Wiggins Road (il y a des feux de circulation), à gauche encore à Campus Drive et continuezjusqu’au Science Place à droite. Au bout de cette rue se trouve le parc de stationnement N o 5. Le prixest 3$. C’est une marche de 500 m environ à l’Édifice des Arts. (S’il pleut, il est possible de passer d’unendroit à l’autre sans aller à l’extérieur.)Rooms • SallesAll the sessions take place in the Arts Building at the University of Saskatchewan. Room 133 is on theground floor, to the right of the registration desk. Room 241 is on top of the ramp behind the desk. Theother rooms are located on the second floor off the hallway facing you as you come up the ramp.Toutes les séances ont lieu dans l’Édifice des Arts à l’Université de la Saskatchewan. La salle 133 estsituée au rez-de-chaussée, à droite du comptoir d’inscription. La salle 241 se trouve au dessus de la rampederrière le comptoir. Les autres salles s’étendent du couloir situé au deuxième étage, tout droit en montantla rampe.Workshops • AteliersThe workshops organized by the three sections will take place in the Sheraton Hotel. Note that the BiostatisticsSection workshop starts at 9:00 while the other two start at 13:00.Les ateliers organisés par les trois groupes auront tous lieu le dimanche à l’Hôtel Sheraton. Notez bien quel’atelier du groupe de biostatistique débutera à 9h30 alors que les deux autres débuteront à 13h00.Poster Session • Séance d’affichageThe poster session will be held on Sunday, 12 June in the Conference Foyer of the Sheraton Hotel, betweenthe hours of 13:00 and 18:00.Le séance d’affichage aura lieu le dimanche 12 juin dans le Conference Foyer de l’Hôtel Sheraton, entre13h00 et 18h00.Synchrotron Tour • Visite au synchrotronThe Candian Light Source is a unique research facility in Canada, the second in the world of its kind. Atour of this installation has been arranged for Monday, June 13 at 15:30. Advance registration is requiredwhich may be done at the Conference registation desk. The tour group is limited to twenty people. Thegroup should assemble at the registration desk during the coffee break so as to be able to leave for thesynchrotron (a 1 km walk) at 15:10.Le Centre canadien de rayonnement synchrotron est une installation de recherche unique au Canada, ledeuxième au monde de sa catégorie. Une visite à cette installation est organisée le lundi, 13 juin à 15h30.L’inscription à l’avance est nécessaire. On peut s’inscrire au comptoir d’inscription du Congrès. Le groupedes visiteurs est limité à vingt personnes. Le groupe doit se rassembler au comptoir d’inscription pendantla pause-café afin que l’on puisse partir vers le synchrotron à 15h10 ; prévoir une marche d’un kilomètre.

10 General Information • Information généraleNSERC Workshop • Atelier offert par le CRSNGTips to Prepare Your Next Discovery Grant ApplicationMonday, June 13, 17:00–18:30Arts 214NSERC representatives and Grant Selection Committee members will present an interactive overviewof the peer review process, inform you of the latest changes at NSERC, give useful advice for the preparationof your next NSERC application and answer your questions on the functioning of grant selectioncommittees.The workshop is open to all researchers. It is particularly helpful for new faculty members and researcherslikely to apply (or re-apply) in the fall.Conseils pour l’élaboration de votre prochaine demande de subvention à la découverteLundi, le 13 juin, 17h00–18h30Arts 214Des employés du CRSNG et des membres des comités de sélection des subventions du CRSNG donnerontune présentation en mode interactif sur le processus d’évaluation par les pairs, vous renseignerontsur les derniers changements opérés au CRSNG, vous donneront des conseils utiles pour l’élaboration devotre prochaine demande de subvention au CRSNG et répondront à vos questions sur le fonctionnementdes comités de sélection des subventions.Tous les chercheurs peuvent participer à l’atelier, qui sera particulièrement utile aux professeurs etaux chercheurs récemment embauchés qui comptent présenter une demande (ou une nouvelle demande) àl’automne.Probability Section • Groupe de probabilitéThere will be a meeting during lunch on Wednesday for those interested in forming an SSC Section onProbability. For more details, see Andre Dabrowski or Gail Ivanoff.Pour ceux qui s’intéressent à la constitution d’un Groupe de probabilité, il y aura une assemblée d’organisationpendant le dîner mardi. Pour des plus amples renseignments, on peut s’informer à Andre Dabrowskiou à Gail Ivanoff.Opening reception • Réception d’accueilThe welcoming reception will take place at the “Top of the Inn” at the Sheraton Hotel on Sunday, 12 Junefrom 18:00 to 20:00. All conference attendees and companions are warmly invited to come and meet oldfriends and make new acquaintances.La réception d’accueil aura lieu dans le « Top of the Inn »au dernier étage de l’Hôtel Sheraton, le dimanche12 juin de 18h00 à 20h00. Les participants au congrès et leurs compagnons sont tous invités à venirretrouver de vieux amis et faire de nouvelles connaissances.Food Service on Campus • Restauration sur le campusLunch will be served from 12:30 to 13:30, Monday to Wednesday in Marquis Hall, situated at the endof the elm-lined avenue to your left as you leave the Arts Building. The cost of lunch is included in theregistration.

General Information • Information générale 11Le dîner sera servi de 12h30 à 13h30, lundi à mercredi, au Marquis Hall, situé au bout de l’allée bordéed’ormes qui se trouve à votre gauche quand vous quittez l’Édifice des Arts. Les dîners sont compris dansles frais d’inscription.BarbecueThe annual barbecue will be held at the Western Development Museum on Monday, 13 June. Buses willtake all those who registered for the barbecue to the museum. Buses will leave the University at 18:00and 18:30. For the benefit of those who skipped the late-afternoon meetings and returned to their hotel,the buses will stop at the Park Town and Sheraton Hotels on the way to the museum. (One can walk to themuseum but it is over 4 km from the Sheraton.)At the museum, you may enjoy the display while you take a drink and are entertained by fiddlersCammy and Sarah Romanuck. The meal will be served at 19:30. Buses will return to the hotels as well asto the University residences around 22:00.Le Barbecue annuel aura lieu au Musée de développement de l’Ouest (Western Development Museum),le lundi 13 juin. Des autobus conduiront au musée tous ceux qui se sont inscrits au barbecue. Les autobusquitteront l’université à 18h00 et à 18h30. Dans l’intérêt de ceux qui auront raté les dernières réunionsde l’après-midi et seront retournés à l’hôtel, les autobus s’arrêteront aux hôtels Park-Town et Sheraton enroute vers le musée. (Il est possible d’aller au musée à pied, mais c’est une distance de plus de 4 km del’Hôtel Sheraton.)Au musée, vous pouvez regarder l’exposition, prendre un apéritif pendant que Cammy et Sarah Romanuck,deux jeunes violoneuses, vous divertiront. Le repas commencera à 19h30. Les autobus retournerontaux hôtels et aussi à la résidence de l’université autour de 22h00.Women in Statistics Reception • Réception pour les femmes en statistiqueThe Canadian Section of the Caucus for Women in Statistics and the SSC Committee on Women in Statisticsinvite interested men and women to attend an informal dinner at 7pm on Monday June 13 at MykonosRestaurant (416 - 21st Street East, near Sheraton). This gathering is a pay event and to enable reservations,those who have not previously reserved a spot need to leave a message for Rhonda Rosychuk at theconference registration desk as soon as possible.Le Caucus for Women in Statistics, en collaboration avec le Comité sur les femmes en statistique de laSSC, souperont à 19h00, le lundi 13 juin, au restaurant Mykonos, 416 21st Street East, près de l’HôtelSheraton.BanquetAll participants are cordially invited to attend the Conference Banquet on Tuesday evening, June 14. Acash bar will be available from 18:30. Dinner will be served at 19:30. After the meal, there will a littleentertainement by the duo of Deborah Buck and Brad Grass, which will be followed by the Society awards.At 23:00, a bus will return to the University for the benefit of those staying at the residence.Tous les participants sont cordialement invités à prendre part au Banquet du congrès qui aura lieu le mardi14 juin en soirée dans l’Hôtel Sheraton. Un bar payant sera disponible dans le Conference Foyer dès18h30. Le repas commencera à 19h30. Après le dîner il y aura un petit divertissement présenté par le

12 General Information • Information généraleduo Deborah Buck et Brad Grass, suivi par la remise des prix de la Société. Un autobus ramena ceux quidemeurent à la résidence de l’université à 23h00.

13Committees and MeetingsComités et réunionsCalendar Listing • Calendrier journalierSaturday June 11 • Samedi 11 juin18:00–22:00 Executive Committee • Comité exécutif Sheraton Board RoomSunday, June 12 • Dimanche 12 juin9:00–11:00 Finance Committee • Comité des finances Sheraton East Room11:00–12:00 Publications Committee • Comité des publications Sheraton Board Room12:00–16:00 Board of Directors • Conseil d’administration Sheraton East RoomMonday, June 13 • Lundi 13 juin7:00–8:00 Biostatistics Section (Section Officers) • Groupe de biostatistique(directeurs du groupe)Business and Industrial Statistics Section (Section Officers)• Groupe de statistique industrielle et de gestion(directeurs du groupe)Survey Methods Section (Section Officers) • Groupe desméthodes d’enquête (directeurs du groupe)12:30–13:30 Accreditation Appeals Committee • Comité des appelsd’accréditationCJS Editorial Board • Comité de rédaction de la RCSPublic Relations Committee • Comité des relationspubliquesSouthern Ontario Regional Assocation (General Meeting)• Association régionale du sud de l’Ontario (assembléegénérale)13:30–15:00 Accredited Members General Meeting (open) • Assembléegénérale des membre accrédités (publique)17:00–18:00 Business and Industrial Statistics Section (GeneralMeeting) • Groupe de statistique industrielle et de gestion(assemblée générale)Survey Methods Section (General Meeting) • Groupedes méthodes d’enquête (assemblée générale)Park Town South Dining RoomPark Town South Dining RoomPark Town South Dining RoomPrivate Dining Room,Marquis HallPrivate Dining Room,Marquis HallPrivate Dining Room,Marquis HallPrivate Dining Room,Marquis HallArts 200Arts 217Arts 212

14 Committees and Meetings • Comités et réunionsTuesday, June 14• Mardi 14 juin7:00–8:00 Research Committee • Comité de la recherche Park Town South Dining RoomAccreditation Committee • Comité sur l’accréditation Park Town South Dining Room12:30–13:30 NPCDS • PNSDC Private Dining Room,Marquis HallBilingualism Committee • Comité du bilinguisme Private Dining Room,Marquis HallCommittee on Women in Statistics • Comité sur les Private Dining Room,femmes en statistiqueStatistical Education Committee • Comité d’éducationen statistique15:30–17:00 SSC General Meeting • Assemblée générale de la SSC Arts 24117:00–18:00 Biostatistics Section (General Meeting) • Groupe de Arts 212biostatistique (assemblée générale)Wednesday, June 15• Mercredi 15 juinMarquis HallPrivate Dining Room,Marquis Hall7:00–8:00 Biostatistics Section (Section Officers) • Groupe de biostatistiquePark Town South Dining Room(directeurs du groupe)Business and Industrial Statistics Section (Section Officers)Park Town South Dining Room• Groupe de statistique industrielle et de gestion(directeurs du groupe)Survey Methods Section (Section Officers) • Groupe des Park Town South Dining Roomméthodes d’enquête (directeurs du groupe)Professional Development Committee • Comité sur le Park Town South Dining Roomperfectionnement professionnel12:30–13:30 Liaison Private Dining Room,Marquis HallProbability Section Organizational Meeting • Assembléed’organisation du groupe de probabilitéProgram Committee • Comité du programmePrivate Dining Room,Marquis HallPrivate Dining Room,Marquis Hall17:30–19:30 Board of Directors • Conseil d’administration Private Dining Room,Marquis Hall19:30 Executive Committee • Comité exécutif Private Dining Room,Marquis HallAlphabetical Listing • liste alphabétiqueAccreditation Committee • Comité sur l’accréditationTuesday, June 14 • mardi 14 juin, 7:00–8:00, Park Town South Dining RoomAccreditation Appeals Committee • Comité des appels d’accréditationMonday, June 13 • lundi 13 juin, 12:30–13:30, Private Dining Room, Marquis HallAccredited Members General Meeting (open) • Assemblée générale des membres accrédités(publique)Monday, June 13 • lundi 13 juin, 13:30–15:00, Arts 200

Committees and Meetings • Comités et réunions 15Bilingualism Committee • Comité du bilinguismeTuesday, June 14 • mardi 14 juin, 12:30–13:30, Private Dining Room, Marquis HallBiostatistics Section (General Meeting) • Groupe de biostatistique (assemblée générale)Tuesday, June 14 • mardi 14 juin, 17:00–18:00, Arts 212Biostatistics Section (Section Officers) • Groupe de biostatistique (directeurs du groupe)Monday, June 13 • lundi 13 juin, 7:00–8:00, Park Town South Dining RoomWednesday, June 15 • mercredi 15 juin, 7:00–8:00, Park Town South Dining RoomBoard of Directors • Conseil d’administrationSunday, June 12 • dimanche 12 juin, 12:00–16:00, Sheraton East RoomWednesday June 15• mercredi 15 juin, 17:30–19:30, Private Dining Room, Marquis HallBusiness and Industrial Statistics Section (General Meeting) • Groupe de statistique industrielle etde gestion (assemblée générale)Monday, June 13 • lundi 13 juin, 17:00–18:00, Arts 217Business and Industrial Statistics Section (Section Officers) • Groupe de statistique industrielle etde gestion (directeurs du groupe)Monday, June 13 • lundi 13 juin, 7:00–8:00, Park Town South Dining RoomWednesday, June 15 • mercredi 15 juin, 7:00–8:00, Park Town South Dining RoomCJS Editorial Board • Comité de rédaction de la RCSMonday, June 13 • lundi 13 juin, 12:30–13:30, Private Dining Room, Marquis HallCommittee on Women in Statistics • Comité sur les femmes en statistiqueTuesday, June 14 • mardi 14 juin, 12:30–13:30, Private Dining Room, Marquis HallExecutive Committee • Comité exécutifSaturday June 11 • samedi 11 juin, 18:00–22:00, Sheraton Board RoomWednesday June 15• mercredi 15 juin, 19:30, Private Dining Room, Marquis HallFinance Committee • Comité des financesSunday, June 12 • dimanche 12 juin, 9:00–11:00, Sheraton East RoomNPCDS • PNSDCTuesday, June 14 • mardi 14 juin, 12:30–13:30, Private Dining Room, Marquis HallLiaisonWednesday, June 15 • mercredi 15 juin, 12:30–13:30, Private Dining Room, Marquis HallProbability Section (Organizational Meeting) • Groupe de probabilité (Assemblée d’organisation)Wednesday June 15 • mercredi 15 juin, 12:30–13:30, Private Dining Room, Marquis HallProfessional Development Committee • Comité sur le perfectionnement professionnelWednesday June 15 • mercredi 15 juin, 7:00–8:00, Park Town South Dining RoomProgram Committee • Comité du programmeWednesday June 15 • mercredi 15 juin, 12:30–13:30, Private Dining Room, Marquis HallPublic Relations Committee • Comité des relations publiquesMonday, June 13 • lundi 13 juin, 12:30–13:30, Private Dining Room, Marquis HallPublications Committee • Comité des publicationsSunday, June 12 • dimanche 12 juin, 11:00–12:00, Sheraton Board RoomResearch Committee • Comité de la rechercheTuesday, June 14 • mardi 14 juin, 7:00–8:00, Park Town South Dining Room

17List of Sessions • Liste des sessionsSession 0Session 01ASession 01BSession 02ASession 02BSession 02CSession 02DSession 02ESession 02FSession 02GSession 03AContributed Poster SessionPrésentation d’affichesWelcomeBienvenuSSC Presidential Invited AddressAllocution de l’invitée de la Présidente de laSSCStatistics models for discrete longitudinaldataModèles statistiques pour des données longitudinalesdiscrètesStrong asymptoticsAsymptotiques fortesHow and how well do we train future consultantsComment et avec quelle qualité entraînonsnousnos futurs consultantsBayes and likelihoodBayes et la vraisemblanceThe Joint Canada/United States Survey ofHealth: Analytic results and methodologicalissuesL’enquête conjointe Canada/Etats-Unis surla santé: Résultats analytiques et questionsméthodologiquesCurrent advancement in statistical geneticsProgrès récents en génétique statistiqueProbabilityProbabilitéSpecial Invited Session of the BiostatisticsSectionSéance spéciale de l’invité du groupe de biostatistiqueJune 12 juin 13:00 – 18:00 SheratonConferenceFoyerJune 13 juin 08:30 – 09:00 241June 13 juin 09:00 – 10:30 241June 13 juin 11:00 – 12:30 214June 13 juin 11:00 – 12:30 200June 13 juin 11:00 – 12:30 212June 13 juin 11:00 – 12:30 133June 13 juin 11:00 – 12:30 211June 13 juin 11:00 – 12:30 241June 13 juin 11:00 – 12:15 217June 13 juin 13:30 – 15:00 241

20 List of Sessions • Liste des sessionsSession 09ASession 09BSession 10ASession 10BSession 10CSession 10DSession 10ESession 10FSession 10GSession 11ASession 11BSession 11CSession 11DSession 11ESession 11FPierre Robillard Award AddressAllocution du prix Pierre RobillardCanadian Journal of Statistics Award AddressAllocution du prix de La Revue canadiennede statistiqueImputationImputationRecent Advances in Lifetime DataProgrès récents pour les données de duréeEstimation in constrained parameter spacesEstimation dans des espaces de paramètresavec contraintesGraphical Gaussian modelsModèles gaussiens graphiquesTeaching statistics in the health and life sciencesL’enseignement de la statistique dans les sciencesde la santé et de la vieModel Selection and Robust ModellingSélection des modèles et la modélisation robusteSampling and Design IssuesQuestions de sondage et de plannificationSpecial Invited Session of the Survey SectionSéance spéciale de l’invité du grouped’enquêteCase Study II: The National LongitudinalStudy on Children and Youth (NLSCY)Étude de cas II: L’Enquête longitudinale nationalesur les enfants et les jeunes (ELNEJ)Analysis of gene expression dataL’analyse des données d’expression génétique.Business and industrial statistics methods andapplicationsMétholodogie et applications de la statistiqueindustrielle et de gestionClinical Trials and Related IssuesEssais cliniques et questions associéesCorrelated Discrete DataDonnées discrètes corréléesJune 15 juin 09:00 – 09:45 241June 15 juin 09:45 – 10:30 241June 15 juin 11:00 – 12:30 214June 15 juin 11:00 – 12:30 200June 15 juin 11:00 – 12:30 133June 15 juin 11:00 – 12:30 217June 15 juin 11:00 – 12:30 241June 15 juin 11:00 – 12:30 212June 15 juin 11:00 – 12:30 211June 15 juin 13:30 – 15:00 133June 15 juin 13:30 – 15:00 214June 15 juin 13:30 – 15:00 241June 15 juin 13:30 – 14:30 217June 15 juin 13:30 – 15:00 200June 15 juin 13:30 – 14:30 212

List of Sessions • Liste des sessions 21Session 12ASession 12BSession 12CSession 12DSession 12ESession 12FSession 12GCRM-SSC Award AddressAllocution du lauréat du Prix CRM-SSC 2005Design of experimentsPlanification d’expériencesLarge deviations in statisticsDéviations importantes en statistiqueModel and design based inference for samplesurveysInférence fondée sur le modèle et sur le planpour les sondagesTheoretical survey methodsMéthodes d’enquête théoriquesStatistiscal modeling and applicationsModélisation statistique et ses applicationsMethods with Censored DataMéthodologie pour les données tronquéesJune 15 juin 15:30 – 17:00 241June 15 juin 15:30 – 17:00 214June 15 juin 15:30 – 17:00 217June 15 juin 15:30 – 17:00 133June 15 juin 15:30 – 16:45 211June 15 juin 15:30 – 16:45 212June 15 juin 15:30 – 17:00 200

22Program • ProgrammeDimanche 12 juin • Sunday, June 1213:00 – 18:00 Session 0 Sheraton Conference FoyerContributed Poster SessionPrésentation d’affichesContributed Paper Session • Séance de communications libres13:00 Keramat NOURIJELYANI, Tehran University of Medical SciencesStatistical analysis of association between pre-term delivery and low weight gain • Analyse statistiquede l’association entre le faible gain de poids durant la grossesse et l’accouchement prématuré.[MS-1]13:00 Judy-Anne CHAPMAN, NCIC Clinical Trials Group, Queens University, Edward YU, University ofWestern Ontario, Melanie ROYCE, University of New Mexico, Patricia TAI, University of SaskatchewanEffects of statistical method of assessment on prognosis of limited-stage small-cell lung cancer •Effets des méthodes d’analyse statistique sur le pronostic du cancer à petites cellules du poumon àniveau limité [MS-2]13:00 Pengfei GUO & Alwell OYET, Memorial University of NewfoundlandTests for equality of curves via wavelets • Tests d’égalité de courbes par les ondelettes [MS-3]13:00 Kayo WALSH, University of Colorado at Denver, Eduard GAMITO, Richard JONES, Shannon PRETZEL,Colin O’DONNELL & Sheryl OGDEN, University of Colorado Health Sciences CenterA randomized study to determine the effectiveness of interventions to improve participant protocolcompliance in a large clinical study. • Une étude randomisée pour déterminer l’efficacitéd’interventions pour améliorer le protocole de conformité des participants dans une importanteétude clinique [MS-4]13:00 Mireille GUAY, Betty EDWARDS & Mark RAIZENNE, Santé Canada / Health CanadaLong-term effects of air pollution on lung function of children and adolescents in Canada • Effetsd’une Exposition Prolongée à la Pollution Atmosphérique sur la Capacité Respiratoire de JeunesCanadiens [MS-5]

Dimanche 12 juin • Sunday, June 12, 13:00 – 18:00 2313:00 Michael SZAFRON & Christine SOTEROS, University of SaskatchewanThe probability of knotting after a local strand in a self-avoiding polygon • Probabilité de nouageaprès un brin local dans un polygone qui s’auto évite [MS-6]13:00 P. YU, University of SaskatchewanApplications of statistical methods - principal component (PCA) and cluster analysis (CLA) insynchrotron-based ftir spectra analysis for feed/plant inherent structure research • Applications deméthodes statistiques - Analyse en composantes principales (ACP) et classification automatique(CA) en analyse de spectre FTIR basé sur le synchrotron pour la recherche sur les structures inhérentesaliments/plantes [MS-7]13:00 Peter HOOPER, University of AlbertaRemedies for serial correlation and multiple local optima in period analysis of variable stars. •Remède pour la corrélation sérielle et les optimums locaux multiples dans l’analyse périodiqued’étoiles variables [MS-8]13:00 Chandima KARUNANAYAKE & William H. LAVERTY, University of SaskatchewanApplication of multivariate poisson models for analysis of weed counts • Application de modèlesde Poisson multivariés pour l’analyse du nombre de variétés de plantes [MS-9]13:00 Qiaohao ZHU & Narasimha PRASAD, University of AlbertaOn the estimation of number of exceedances over a threshold • Estimation de la fréquence dedépassement d’un seuil [MS-10]13:00 M. MIKET, W. H. LAVERTY, C. PRINGLE-NELSON & I. W. KELLY, University of SaskatchewanExpressions of life meaning among college students • Le sens de la vie selon des étudiants collégiaux[MS-11]13:00 Jing LIN & Miao FANG, McMaster UniversityCase Study II: The National Longitudinal Study on Children and Youth (NLSCY) • Étude de casII : L’Enquête longitudinale nationale sur les enfants et les jeunes (ELNEJ) [MS-12]

24 Lundi 13 juin • Monday, June 13, 11:00 – 12:30Lundi 13 juin • Monday, June 1308:30 – 09:00 Session 01A 241WelcomeBienvenuSpecial Session • Conférence spécialeChair • Présidente : Nancy REID University of Toronto08:30 Peter MACKINNON, President, University of Saskatchewan08:40 Jo-Anne DILLON, Dean, College of Arts and Science08:50 Jim BASINGER, Associate Dean, Science09:00 – 10:30 Session 01B 241SSC Presidential Invited AddressAllocution de l’invitée de la Présidente de la SSCSpecial Session • Conférence spécialeOrganizer and Chair • Responsable et présidente : Nancy REID University of Toronto09:00 Barbara KEYFITZ, Fields Institute and University of HoustonDeterministic and statistical models for turbulence: What could burgers have said to Kolmogorov?• Modèles déterministe et statistique pour la turbulence : qu’est-ce que Burgers aurait pu dire àKolmogorov ? [MS-13]10:30 – 11:00 Pause-café • Coffee Break11:00 – 12:30 Session 02A 214Statistics models for discrete longitudinal dataModèles statistiques pour des données longitudinales discrètesInvited Paper Session • Présentations sur invitationCaucus for WomenOrganizer and Chair • Responsable et présidente : Julie HORROCKS University of Guelph11:00 Rachel ALTMAN, Simon Fraser University, Stefan REINKER, University of Freiburg, John STAUDEN-MAYER, University of MassachussettsSome unusual applications of hidden Markov models • Quelques nouvelles applications des chaînesde Markov cachées [MS-14]11:30 Diana MIGLIORETTI, Group Health Cooperative, Elizabeth BROWN, University of WashingtonA marginalized model for combining state and national level survey data to estimating screeningtrends • Un modèle marginalisé pour combiner des données de sondages au niveau des états et auniveau national pour estimer les tendances de dépistage [MS-15]

Lundi 13 juin • Monday, June 13, 11:00 – 12:30 2512:00 Rhonda ROSYCHUK, University of AlbertaComparison of goodness-of-fit tests based on transition counts for misclassified, binary, alternatinglongitudinal data • Comparaison de tests de qualité d’ajustement basés sur les compteurs detransition pour des données longitudinales binaires, alternantes et mal classifiées [MS-16]11:00 – 12:30 Session 02B 200Strong asymptoticsAsymptotiques fortesInvited Paper Session • Présentations sur invitationBernoulli SocietyOrganizer and Chair • Responsable et président : Andre DABROWSKI University of Ottawa11:00 Andrew HEUNIS, University of Waterloo, Seyed HASHEMI, University of ManitobaAsymptotic limits for coupled stochastic DE’s • Limites asymptotiques pour des équations différentiellesstochastiques couplées [MS-17]11:45 Raluca BALAN, University of OttawaA strong invariance principle for associated random fields • Un principe d’invariance forte pour deschamps aléatoires associés [MS-18]11:00 – 12:30 Session 02C 212How and how well do we train future consultantsComment et avec quelle qualité entraînons-nous nos futurs consultantsInvited Paper Session • Présentations sur invitationBiostatistics SectionOrganizer and Chair • Responsable et présidente : Jeanette O’HARA HINES University of Waterloo11:00 Jeanette O’HARA HINES, University of Waterloo, David BELLHOUSE, University of Western Ontario,John PETKAU, University of British Columbia, Heather THIESSEN, London Health Sciences Centre,Jamie MYLES, PfizerHow and how well do we train future consultants? • Comment, et comment bien entraînons nousles futures consultants [MS-19]11:00 – 12:30 Session 02D 133Bayes and likelihoodBayes et la vraisemblanceInvited Paper Session • Présentations sur invitationOrganizer and Chair • Responsable et président : Don FRASER University of Toronto11:00 Tom SEVERINI, Northwestern UniversityElimination of nuisance parameters by integration • Élimination de paramètres de nuisance parintégration [MS-20]

26 Lundi 13 juin • Monday, June 13, 11:00 – 12:3011:30 Judith ROUSSEAU, Université Paris Dauphine, Don FRASER, University of Torontop-values with nuisance parameters: A unified approach between Bayesian and frequentists • Quelquesvaleurs p en présence de paramètres de nuisance : une approche unifiée entre bayésiens etfréquentistes [MS-21]12:00 Don FRASER, University of TorontoWhat model information is appropriate for the Bayesian paradigm • Quelle est l’information appropriéesur le modèle pour le paradigme bayésien [MS-22]11:00 – 12:30 Session 02E 211The Joint Canada/United States Survey of Health: Analytic results and methodologicalissuesL’enquête conjointe Canada/Etats-Unis sur la santé : Résultats analytiques et questionsméthodologiquesInvited Paper Session • Présentations sur invitationOrganizer and Chair • Responsable et présidente : Jane F. GENTLEMAN National Center for HealthStatistics11:00 Jane GENTLEMAN, Debra L. BLACKWELL & Michael E. MARTINEZ, National Center for Health Statistics,CDCObesity rate differences between American and Canadian adults: Findings from the Joint Canada/United States Survey of Health • Les différences des taux d’obésité entre les adultes américains etcanadiens : Constatations de l’enquête conjointe Canada/États-Unis sur la santé [MS-23]11:30 Jean-Marie BERTHELOT, Statistics Canada, Nancy ROSS, McGill University & Statistics CanadaHealth disparities in the U.S. and Canada • Les disparités de santé aux États-Unis et au Canada[MS-24]12:00 Stephen BLUMBERG, Karen DAVIS, Meena KHARE & Michael MARTINEZ, National Center for HealthStatisticsThe effect of survey follow-up on nonresponse bias • L’effet du suivi après sondage sur le biais denon réponse [MS-25]11:00 – 12:30 Session 02F 241Current advancement in statistical geneticsProgrès récents en génétique statistiqueInvited Paper Session • Présentations sur invitationOrganizer and Chair • Responsable et présidente : Xin GAO York University11:00 Hongyu ZHAO & Ning SUN, Yale University School of MedicineGenetic association studies in isolated populations • Études d’associations génétiques dans despopulations isolées [MS-26]11:30 Shili LIN & Zhenqiu LIU, Ohio State UniversityMultilocus LD measures and tagSNP selection with generalized mutual information • Mesure dedéséquilibre de liaison et sélection de tagSNP avec une information mutuelle généralisée [MS-27]

Lundi 13 juin • Monday, June 13, 11:00 – 12:15 2712:00 Shelley BULL, University of Toronto, Joanna BIERNACKA, Cambridge Institute for Medical Research,Lei SUN, University of Toronto, Long Yang WU, Samuel Lunenfeld Research InstituteImproving the validity and efficiency of statistical genetic analysis • Amélioration de la validité etde l’efficacité des analyses génétiques statistiques [MS-28]11:00 – 12:15 Session 02G 217ProbabilityProbabilitéContributed Paper Session • Séance de communications libresChair • Président : Pritan Ranjan (Simon Fraser University)11:00 Rafal KULIK, University of OttawaRate of convergence in invariance principle for associated sequences • Taux de convergence duprincipe d’invariance pour des séquences dépendantes [MS-29]11:15 Supranee LISAWADI & Andrei VOLODIN, University of ReginaOn the Gut’s general weak law of large numbers • Sur la loi faible des grands nombres générale deGut [MS-30]11:30 Janusz KAWCZAK, University of North Carolina at CharlotteWeak convergence of nilpotent Markov chain • Convergence faible d’une chaîne de Markov impotente[MS-31]11:45 Juan ALVAREZ & Chris SOTEROS, University of SaskatchewanA second order Morita approximation to random copolymer localization • Une approximation deMorita du deuxième ordre pour la localisation aléatoire de copolymère [MS-32]12:00 Simo PUNTANEN & Ka Lok CHU, University of Tampere, Finland, Jarkko ISOTALO & George P. H.STYAN, McGill UniversityOn the Watson efficiency in a weakly singular linear model • Sur l’efficacité de Watson dans unmodèle linéaire faiblement singulier [MS-33]12:30 – 13:30 Dîner • Lunch Marquis Hall13:30 – 15:00 Session 03A 241Special Invited Session of the Biostatistics SectionSéance spéciale de l’invité du groupe de biostatistiqueSpecial Session • Conférence spécialeBiostatistics Section • Groupe de biostatistiqueOrganizer and Chair • Responsable et président : Gordon FICK University of Calgary13:30 Gerald VAN BELLE, University of WashingtonBiostatistics as narrative • Narration sur la biostatistique [MS-34]

28 Lundi 13 juin • Monday, June 13, 13:30 – 15:0013:30 – 15:00 Session 03B 214Quality improvementAmélioration de la qualitéInvited Paper Session • Présentations sur invitationBusiness and Industrial Statistics Section • Groupe de statistique industrielle et de gestionOrganizer and Chair • Responsable et président : François PAGEAU SNC Technologies13:30 Jock MACKAY & Stefan STEINER, University of WaterlooThe power of a baseline investigation I • La puissance d’une étude de base I [MS-35]14:00 Stefan STEINER & Jock MACKAY, University of WaterlooThe power of a baseline investigation II • La puissance d’une étude de base II [MS-36]14:30 Gemai CHEN, The University of Calgary, Lingyun ZHANG, Massey University, New ZealandControl charts for monitoring process mean and variability simultaneously • Diagrammes de contrôlepour suivre simultanément la moyenne et la variabilité d’un processus [MS-37]13:30 – 15:00 Session 03C 133Measurement error modelsModèles d’erreurs de mesureInvited Paper Session • Présentations sur invitationOrganizer and Chair • Responsable et président : Liqun WANG University of Manitoba13:30 Paul GUSTAFSON, University of British ColumbiaBayesian modelling for measurement error problems • Modélisation bayésienne pour des problèmesd’erreurs de mesures [MS-38]14:00 Susanne SCHENNACH, University of ChicagoInstrumental variable estimation of nonlinear errors-in-variables models • Estimation instrumentalede variable pour des modèles non linéaires d’erreurs dans les variables [MS-39]14:30 Liqun WANG, University of Manitoba, Cheng HSIAO, University of Southern CaliforniaIdeintifiability and estimation of semiparametric nonlinear errors-in-variables models • Identifiabilitéet estimation de modèles semi paramétriques non linéaires d’erreurs dans les variables [MS-40]13:30 – 15:00 Session 03D 211Recent development of finite mixture modelsDéveloppements récents dans les mélanges de modèles finisInvited Paper Session • Présentations sur invitationChair • Présidente : Cindy FU York UniversityOrganizer • Responsable : Jiahua CHEN University of Waterloo13:30 Jiayang SUN, Case Western Reserve University, Jiahua CHEN, Uinversity of Walterloo

Lundi 13 juin • Monday, June 13, 13:30 – 14:30 29Adaptive estimation for mixture distributions • Estimation adaptative de mélanges de distributions[MS-41]14:00 Hongtu ZHU, Columbia University and New York Psychiatric Institute, Heping Zhang ZHANG, YaleUniversityHypothesis testing in mixture regression models • Tests d’hypothèses pour des mélanges de modèlesde régressions [MS-42]14:30 Abbas KHALILI & Jiahua CHEN, University of WaterlooVariable selection in finite mixture of regression models • Sélection de variables pour un mélangefini de modèles de régression [MS-43]13:30 – 14:30 Session 03E 217Elaboration of a calibration strategy: a case studyÉlaboration d’une stratégie de calage : une étude de casContributed Paper Session • Séance de communications libresSurvey Methods Section • Groupe de méthodologie d’enquêteChair • Président : Milorad KOVACEVIC Statistics Canada13:30 Johanne TREMBLAY & Michel LATOUCHE, Statistique CanadaOverview of the harmonised calibration strategy for income statistics • Aperçu de la stratégie decalage harmonisée pour les statistiques du revenu [MS-44]13:45 Sylvie AUGER & Johanne TREMBLAY, Statistique CanadaEvaluation of the quality of the demographic estimations and the tax data used in the calibrationof some different surveys in Statistics Canada (STC) • Évaluation de la qualité des estimations démographiqueset des données fiscales utilisées lors du calage de différentes enquêtes de StatistiqueCanada (STC) [MS-45]14:00 Sylvie LAROCHE & Michel LATOUCHE, Statistique CanadaCalibration strategy of the Survey of Labour and Income Dynamics • Stratégie de calage de l’Enquêtesur la dynamique du travail et du revenu [MS-46]14:15 Michel LATOUCHE & Johanne TREMBLAY, Statistique CanadaLessons to be learned from the use of administrative data at the weighting stage • Leçons à tirer del’utilisation de données administratives au stade de la pondération [MS-47]13:30 – 14:30 Session 03F 212Bayesian methodologyMétholodogie bayésienneContributed Paper Session • Séance de communications libresChair • Président : Georges MONETTE York University13:30 Alain DESGAGNÉ, Université du Québec à Montréal & Drake University, Jean-François ANGERS,Université de Montréal

30 Lundi 13 juin • Monday, June 13, 15:30 – 17:00Importance sampling with the generalized exponential power density • Simulations Monte Carloavec fonction d’importance à l’aide de la densité GEP [MS-48]13:45 Éric MARCHAND, Université de Sherbrooke et University of New Brunswick, William E. STRAWDER-MAN, Rutgers UniversityOn the behaviour of Bayesian credible intervals for some restricted parameter space problems • Surle comportement de divers estimateurs par intervalles pour des espaces paramétriques contraints[MS-49]14:00 Michael EVANS & Hadas MOSHONOV, University of TorontoChecking for prior-data conflict • Vérification de l’existence d’un conflit a priori-données [MS-50]14:15 Hui SHEN & Will WELCH, University of British ColumbiaModel selection by cross-validation in linear model • Sélection de modèle par validation croiséedans des modèles linéaires [MS-51]13:30 – 15:00 Session 03G 200General Meeting of SSC Accredited members (open)Assemblée générale des membres accredités par la SSCSpecial Session • Conférence spécialeInitial Accreditation Committee • Comité initial sur accréditationOrganizer and Chair • Responsable et présidente : Judy-Anne CHAPMAN Présidente du comité15:00 – 15:30 Pause-café • Coffee Break15:30 – 17:00 Session 04A 241Statistical climatologyClimatologie statistiqueInvited Paper Session • Présentations sur invitationCAIMSOrganizer and Chair • Responsable et président : Samuel SHEN University of Alberta15:30 Allan HOWARD & Allan HOWARD, Agriculture and Agri-Food Canada, Samuel SHEN, University ofAlberta, Ralph WRIGHT, Alberta Agriculture Food and Rural DevelopmentUse of climate data in a drought reporting system for agriculture • Utilisation de données climatiquesdans un système de suivi des sécheresses pour l’agriculture [MS-52]16:00 Hee-Seok OH, University of AlbertaEstimation of global temperature fields from scattered observations by a spherical-wavelet-basedspatially adaptive method • Estimation de champs de température globaux à partir d’observationsparsemées avec une méthode spatialement adaptative basée sur les ondelettes sphériques [MS-53]16:30 Samuel SHEN, University of AlbertaInterpolating daily precipitation data and regressional variance correction • Interpolation de donnéessur les précipitations journalière et correction par régression de la variance [MS-54]

Lundi 13 juin • Monday, June 13, 15:30 – 17:00 3115:30 – 17:00 Session 04B 214Inference from multiple surveys and multiple frame surveysInférence à partir d’enquêtes multiples et d’enquêtes à cadres multiplesInvited Paper Session • Présentations sur invitationSurvey Methods Section • Groupe de méthodologie d’enquêteOrganizer and Chair • Responsable et président : Narasimha PRASAD University of Alberta15:30 Sharon LOHR, Arizona State University, J.N.K. RAO, Carleton UniversityBootstrap variance estimation for multiple frame surveys • Estimation bootstrap de la variance pourdes sondages à plusieurs bases [MS-55]16:00 Avinash SINGH, Statistics Canada, Shiying WU, RTI InternationalDual Frame Calibration for Possibly Dependent Samples under Different sampling Designs • Calibrationpour deux bases de sondage avec des échantillons possiblement dépendants sous différentsplans d’échantillonnage [MS-56]16:30 Changbao WU, University of Waterloo, Jon N.K. RAO, Carleton UniversityEmpirical likelihood inference for multiple surveys and multiple frame surveys • Inférence parvraisemblance empirique pour des sondages multiples et des sondages à bases multiples [MS-57]15:30 – 17:00 Session 04C 200Methodology on missing data in longitudinal studiesMéthodologie pour les données manquantes dans les études longitudinalesInvited Paper Session • Présentations sur invitationOrganizer and Chair • Responsable et présidente : Grace Y. YI University of Waterloo15:30 Xihong LIN, University of Michigan, Raymond CARROLL, Texas A&M UniversitySemiparametric estimation in general clustered/longitudinal data problems • Estimation semi paramétriquepour des problèmes généraux de données de type groupées longitudinales [MS-58]16:00 Yannis JEMIAI, Cytel Software CorporationSemiparametric methods for inferring treatment effects of outcomes defined only if a post-randomizationevent occurs • Méthodes semi paramétriques pour inférer les effets de traitement sur lesrésultats qui ne sont pas définis à moins qu’un évenement de post-aléation se réalise. [MS-59]16:30 Richard COOK & Grace YI, University of WaterlooA missing data problem arising in orthopedic trials of blood thinners • Un problème de donnéesmanquantes dans des essais orthopédiques sur les éclaircisseurs sanguins [MS-60]

32 Lundi 13 juin • Monday, June 13, 15:30 – 16:4515:30 – 17:00 Session 04D 133Spatial analysis of survival dataAnalyse spatiale de données de survieInvited Paper Session • Présentations sur invitationOrganizer and Chair • Responsable et président : Renjun MA University of New Brunswick15:30 Yi LI, Harvard University, Andrea COOK,Spatial cluster detection for censored data • Détection de clusters spatiaux pour des données censurées[MS-61]16:00 Sudipto BANERJEE, Freda COONER & Brad CARLIN, University of MinnesotaFlexible modelling of spatially varying cure rates for survival data • Modélisation flexible pour desdonnées de survie avec des taux de guérison qui varient spatialement [MS-62]16:30 Renjun MA, University of New BrunswickSurvival models for spatial data: a Poisson modelling approach • Modèles de survie pour desdonnées spatiales : une approche par un modèle de Poisson [MS-63]15:30 – 16:45 Session 04E 211Dependent data analysisAnalyses des données dépendantesContributed Paper Session • Séance de communications libresChair • Président : Steve OVERDUIN Simon Fraser University15:30 Aberazzak MOUIHA & Nourddine RAIS, Université de Fès, MarocAnother method for bootstrapping the arithmetic mean and the median when the observations aredependent • Une autre méthode pour faire du bootstrap sur la moyenne arithmétique et la médianelorsque les observations sont dépendantes [MS-64]15:45 Deepak SANJEL,Serge PROVOST & Ian MACNEILL, University of Western OntarioOn approximating the distribution of a statistics for detecting serial correlation • Sur l’approximationde la distribution d’une statistique permettant la détection de corrélation sérielle [MS-65]16:00 Pingguo LU & Hao YU, University of Western OntarioAsymptotic properties of quasi-maximum likelihood estimator of ARMA(P,Q)-GARCH(p,q) • Propriétésasymptotiques de l’estimateur du pseudo-maximum de vraisemblance d’un modèleARMA(P,Q)-GARCH(p,q) [MS-66]16:15 Chafik BOUHADDIOUI, CIRANO, Jean-Marie DUFOUR, Université de MontréalA consistent test for independence between two infinite order cointegrated series • Tests Convergentsd’indépendance de deux séries cointegrées autorégressives d’ordre infini [MS-67]

Lundi 13 juin • Monday, June 13, 15:30 – 17:00 3315:30 – 17:00 Session 04F 212Methods with applicationsMéthodes et applicationsContributed Paper Session • Séance de communications libresBiostatistics Section • Groupe de biostatistiqueChair • Président : Zeny FENG University of Waterloo15:30 Zhong LIU, James ZIDEK & Nhu LE, University of British ColumbiaBayesian melding of ozone level measurements and deterministic model output • Combinaisonbayésienne de mesures du niveau d’ozone et de résultats de modèles déterministes [MS-68]15:45 Daniel GILLIS & John HOLT, University of Guelph, Dominique CHARRON, Public Health Agency ofCanada, David WALTNER-TOEWS, University of Guelph, Abdel MAAROUF, Environment CanadaSpatial temporal analysis of waterborne disease risk as related to climate change • Analyse spatialetemporelle du risque de maladies d’origine hydrique en relation avec les changements climatiques[MS-69]16:00 Kirill ANDREEV, Queen’s University,, Robert BOURBEAU, University of MontrealFrailty modeling of Canadian mortality at advanced ages • Modélisation de la mortalité canadienneaux grands âges [MS-70]16:15 Afisi ISMAILA, Angelo CANTY & Lehana THABANE, McMaster UniversityComparison of Bayesian and frequentist approaches in modelling risk of preterm birth near the SydneyTar Ponds, Nova Scotia, Canada • Comparaisons des approches bayésiennes et fréquentistespour modéliser le risque d’accouchement prématuré à proximité du Sydney Tar Pond, Nouvelle-Écosse, Canada [MS-71]16:30 Hedy JIANG, Lehana THABANE, Anne HOLBROOK, Kalpana NAIR & Lisa DOLOVICH, McMaster UniversityAnalysis of priorities of patients living with diabetes • Analyse des priorités des patients vivantavec le diabète [MS-72]16:45 Amparo CASANOVA-GURRERA, M. Begoña CAMPOS-BONILLA & Wilma PENZO-GIACCA, Universitat deBarcelona, Wendy LOU, University of TorontoThe challenge of teaching Biostatistics in a Faculty of Medicine • Les défis d’enseigner la biostatistiquedans une faculté de médicine [MS-73]

34 Lundi 13 juin • Monday, June 13, 17:00 – 18:3015:30 – 16:15 Session 04G 217Statistical genetics and genomicsStatistique génétique et génomiqueContributed Paper Session • Séance de communications libresBiostatistics Section • Groupe de biostatistiqueChair • Président : Peter HOOPER University of Alberta15:30 Angelo CANTY, Toronto Hospital for Sick Children and McMaster UniversitySelection of a cut-off for differentially expressed genes in the SAM method • Sélection d’un seuilpour des gènes à différentes expressions dans la méthode ASM [MS-74]15:45 Mary LESPERANCE & Edward CHANG, University of Victoria, Karissa JOHNSTON, University of BritishColumbia, Carmen BAILEY & Caren HELBING, University of VictoriaA mixture model approach to background correction for cDNA arrays • Approche par mélange demodèles pour la correction du fond de réseaux d’ADN complémentaires [MS-75]16:00 Haydar SENGUL, University of SaskatchewanA survey of analyses of age-at-onset data in human genetics research • Sondage des méthodesd’analyses de l’âge au début de l’invalidité en recherche sur la génétique humaine [MS-76]17:00 – 18:30 Session 04H 214NSERC WorkshopAtelier du CRSNGSpecial Session • Conférence spécialeChair • Présidente : Carmen GERVAIS NSERC/CRSNGOrganizer • Responsable : Judie FOSTER NSERC/CRSNG

Mardi 14 juin • Tuesday, June 14, 09:00 – 10:30 35Mardi 14 juin • Tuesday, June 1409:00 – 10:30 Session 05 241Gold Medal AddressAllocution de la Médaille d’orSpecial Session • Conférence spécialeOrganizer and Chair • Responsable et président : David BRILLINGER University of California, Berkeley09:00 Keith WORSLEY, McGill UniversityCorrelation random fields, brain connectivity, and cosmology • Champs de correlation aléatoires,connectivité de cerveau, et cosmologie [MS-77]10:30 – 11:00 Pause-café • Coffee Break11:00 – 12:30 Session 06A 133Bayesian model selectionSélection de modèles bayesiensInvited Paper Session • Présentations sur invitationInstitute of Mathematical StatisticsOrganizer and Chair • Responsable et présidente : Nicole LAZAR University of Georgia11:00 Marina VANNUCCI, Texas A&M UniversityFeature selection in model-based analysis of functional data • Sélection de caractéristiques dansl’analyse paramétrique de données fonctionnelles [MS-78]11:30 Paul GUSTAFSON, University of British ColumbiaBayesian concept-varying feature selection for classification with partially labelled data • Sélectionbayésienne de caractéristiques selon le concept pour la classification de données partiellementétiquetée [MS-79]12:00 Andrew MERTON, Jennifer HOETING & Richard DAVIS, Colorado State University, Sandra THOMPSON,Pacific Northwest National LabModel selection for geostatistical models • Sélection de modèle pour des modèles géostatistiques[MS-80]

36 Mardi 14 juin • Tuesday, June 14, 11:00 – 12:3011:00 – 12:30 Session 06B 217Extensions of policy-relevant analytical methods for complex survey dataExtensions des méthodes analytiques dépendant des politiques pour les données d’enquêtescomplexesInvited Paper Session • Présentations sur invitationSurvey Methods Sectin • Groupe de méthodologie d’enquêteOrganizer and Chair • Responsable et présidente : Georgia ROBERTS Statistics Canada11:00 Irene LU, York UniversityA comparison of latent variable modeling approaches in social science research: A Monte Carlosimulation and an illustration using data from youth in transition survey • Comparaison des techniquesde modélisation de variables latentes en recherche en sciences sociales : une simulation deMonte Carlo et une illustration en utilisant des données d’un sondage sur les jeunes en transition[MS-81]11:30 Norberto PANTOJA GALICIA & Mary THOMPSON, University of Waterloo, Milorad KOVACEVIC, StatisticsCanadaBivariate density estimation from a longitudinal complex survey: example of testing for temporalassociation of job loss and divorce using SLID • Estimation d’une densité bivariée à partir d’un sondagelongitudinal complexe : exemple de test pour l’association temporelle entre la perte d’emploiet le divorce en utilisant l’EDTR [MS-82]12:00 Qunshu REN, Carleton UniversitySome advances in the use of marginal models with data from a longitudinal survey having a complexdesign • Quelques avancements dans l’utilisation des modèles marginaux avec des donnéesprovenant d’un sondage longitudinale avec un plan complexe [MS-83]Discussant • ModérateurHarold MANTEL, Statistics CanadaDiscussant • ModérateurMilorad KOVACEVIC, Statistics CanadaDiscussant • ModérateurGeorgia ROBERTS, Statistics Canada

Mardi 14 juin • Tuesday, June 14, 11:00 – 12:30 3711:00 – 12:30 Session 06C 214Statistical genomics: New platforms, new data, new analysis methods for high-throughputexperimentsLa génomique statistique : Nouvelles plateformes, nouvelles données, nouvelles méthodesd’analyse pour les expériences à haut débit.Invited Paper Session • Présentations sur invitationBiostatistics Section • Groupe de biostatistiqueOrganizer and Chair • Responsable et présidente : Karen KOPCIUK University of Calgary11:00 Steve HORVATH, University of California, Los AngelesStatistical methods for the analysis of tissue microarray data. • Méthodes statistiques pour analyserdes données de micro-réseaux de tissus [MS-84]11:45 Rafal KUSTRA, University of TorontoGenomic databases and microarray data: One statistician’s approach at integration. • Bases dedonnées génomiques et données de microréseaux : l’approche d’un statisticien pour l’intégration[MS-85]11:00 – 12:30 Session 06D 200Computer network modelingModélisation de réseaux informatiquesInvited Paper Session • Présentations sur invitationBusiness and Industrial Statistics Section • Groupe de statistique industrielle et de gestionOrganizer and Chair • Responsable et président : George MICHAILIDIS University of Michigan11:00 Eric COPE, UBC Sauder School of BusinessRegret and convergence bounds for continuum-armed bandits • Manque à gagner et frontière deconvergence pour le problème du " Continuum-Armed Bandits " [MS-86]11:30 Jaimyoung KWON, Cal State East Bay, Pravin VARAIYA, University of California BerkeleyReal-time origin-destination matrix estimation from partially observed packet/vehicle trajectories• Estimation de matrices origine-destination en temps réel à partir de trajectoires de paquets ouvéhicules partiellement observées [MS-87]12:00 George MICHAILIDIS, Lawrence EARL & Nair VIJAYAN, University of MichiganFlexicast network tomography • Tomographie de réseaux à diffusion flexible [MS-88]

38 Mardi 14 juin • Tuesday, June 14, 11:00 – 12:3011:00 – 12:30 Session 06E 241Statistics in cancer, AIDS, and other medical researchesStatistique pour le cancer, le SIDA, et autres recherches médicalesInvited Paper Session • Présentations sur invitationOrganizer and Chair • Responsable et présidente : Joan HU Simon Fraser University11:00 Marvin ZELEN, Harvard University and the Dana-Farber Cancer Institute, Sandra LEE & HuiHUANG, Dana-Farber Cancer InstituteEarly detection of disease and the scheduling of examinations • Détection rapide de maladies etcalendrier des examens [MS-89]11:30 Jian HUANG, University of Iowa, Shuangge MA, University of WashingtonAnalysis of censored survival data with high-dimensional covariates • Analyse de données de surviecensurées avec plusieurs covariables [MS-90]12:00 Ping YAN, Public Health Agency of CanadaProbability distributions in infectious disease transmission models and risks of major outbreaks •Distributions de probabilité pour des modèles de transmission de maladies infectieuses et risquesd’épidémies majeures [MS-91]11:00 – 12:30 Session 06F 211Statistics and financeStatistique et financeInvited Paper Session • Présentations sur invitationOrganizer and Chair • Responsable et présidente : Donna SALOPEK University of New South Wales11:00 Don MCLEISH & Joe DICESARE, University of WaterlooMissing and incomplete data in finance • Données manquantes et incomplètes en finance [MS-92]11:45 Donna SALOPEK, University of New South WalesSelf-financing in a fractional Brownian motion market • Autofinancement dans un marché de mouvementbrownien fractionnel [MS-93]11:00 – 12:30 Session 06G 212EstimationEstimationContributed Paper Session • Séance de communications libresChair • Président : Abbas KHALILI University of Waterloo11:00 Rohana KARUNAMUNI & Jingjing WU, University of AlbertaMinimum Hellinger distance estimation for a nonparametric mixture model • Estimation à distanced’Hellinger minimale pour un mélange de modèles non paramétriques [MS-94]11:15 Reza PAKYARI, Australian National University

Mardi 14 juin • Tuesday, June 14, 13:30 – 15:00 39Nonparametric estimation of mixing proportion and component distributions in multivariate mixtures• Estimation non paramétrique de la proportion de mélange et distributions des composantesdans des mélanges multivariés [MS-95]11:30 Alexandre LEBLANC & Liqun WANG, University of ManitobaSecond-order least-squares estimation in nonlinear regression • Moindres carrés du second ordreen régression non-linéaire [MS-96]11:45 Elies KOUIDER, Mohammed EL-SAIDI, Michael COOPER & Nathaniel TYMES, Ferris State UniversityEstimating simple linear regression model parameters using two-stage ranked set sampling schemes• Estimation des paramètres d’un modèle de régression linéaire simple en utilisant un plan d’échantillonnageen deux phases d’ensembles ordonnés [MS-97]12:00 Shojaeddin CHENOURI, Carleton UniversityA multivariate genralization of the Hodges-Lehmann estimator • Généralisation multivariée del’estimateur de Hodges-Lehmann [MS-98]12:15 Bashir KHAN, Saint Mary’s University, A.K. Md. E SALEH, Carleton UniversityEstimation of regression parameters: Parallelism restrictions • Estimation des paramètres de régression: restrictions de parallélisme [MS-99]12:30 – 13:30 Dîner • Lunch Marquis Hall13:30 – 15:00 Session 07A 133Statistics and technologyStatistique et technologieSpecial Session • Conférence spécialeBusiness and Industrial Statistics Section • Groupe de statistique industrielle et de gestionOrganizer and Chair • Responsable et président : Stefan STEINER University of Waterloo13:30 Jerry LAWLESS, University of WaterlooStatistics and technology • Statistique et technologie [MS-100]13:30 – 15:00 Session 07B 212Limit theoremsThéorèmes limitesInvited Paper Session • Présentations sur invitationOrganizer and Chair • Responsable et président : Andrei VOLODIN University of Regina13:30 Allan GUT, Uppsala UniversitySome remarks on the law of large numbers • Quelques remarques sur la loi des grands nombres[MS-101]14:00 Uwe EINMAHL, Vrije Universiteit Brussels, Deli LI, Lakehead UniversitySome new LIL type results for variables with infinite variance • De nouveaux résultats de type LILpour des variables avec variance infinie [MS-102]

40 Mardi 14 juin • Tuesday, June 14, 13:30 – 14:4014:30 Ulrich STADTMUELLER, University of UlmTail behaviour of weighted sums of random variables • Comportement des queues d’une sommepondérée de variables aléatoires [MS-103]13:30 – 15:00 Session 07C 241Statistical methodology in clinical trial designMéthodologie statistique dans la planification d’essais cliniquesInvited Paper Session • Présentations sur invitationOrganizer and Chair • Responsable et président : Jianrong WU St. Jude Children’s Hospital13:30 Xiaoping XIONG, St. Jude Children’s Research Hospial, Ming TAN, University of Maryland GreenebaumCancer Center, James BOYETT, St. Jude Children’s Research HospitalA sequential procedure that stops clinical trials without later reversal of the early conclusion • Uneprocédure séquentielle qui arrête un essai clinique sans renverser une conclusion précoce [MS-104]14:00 Zhengqing LI, PfizerConfirmatory non-inferiority studies for binary outcomes • Études confirmatoires de non inférioritépour des résultats binaires [MS-105]14:30 Jianrong WU, St. Jude Children’s Research HospitalSample size determination for testing the mean of skewed distribution • Détermination de la taillede l’échantillon pour tester la moyenne de distributions asymétriques [MS-106]13:30 – 15:00 Session 07D 200Applications of mixture models in genetic linkage analysisApplication des mélanges de modèles en analyse de liaison génétiqueInvited Paper Session • Présentations sur invitationOrganizer and Chair • Responsable et présidente : Cindy FU York University13:30 Heping ZHANG & Rui FENG, Yale UniversityGenetic analysis of ordinal traits • Analyse génétique de traits ordinaux [MS-107]14:00 Yongzhao SHAO, Jing HAN & Mengling LIU, New York University, Wenbin LU, North Carolina StateUniversityLikelihood ratio tests for mixture models with applications to genetic linkage analysis • Tests duratio de vraisemblance pour des modèles de mélanges avec des applications aux analyses de liaisonsgénétiques [MS-108]14:30 Surajit RAY, University of North Carolina at Chapel Hill and SAMSI, Bruce LINDSAY, PennsylvaniaState UniversityOn using quadratic risk to select high dimensional models • Utilisation du risque quadratique poursélectionner des modèles à haute dimension [MS-109]13:30 – 14:40 Session 07E 214Case Study 1: Antidepressant Medication and Stability in Seniors

Mardi 14 juin • Tuesday, June 14, 13:30 – 14:45 41Analyse de cas 1 : Sur les antidépresseurs et la stabilité chez les personnes âgéesCase Study • Étude de casOrganizer and Chair • Responsable et présidente : Alison GIBBS University of Toronto13:30 Amy PETERS, Centre for Studies in Aging at Sunnybrook and Women’s College Health SciencesCentrePresentation of the data set • Présentation du jeu de données [MS-110]13:40 Kimberley COLEMAN, Erika NAHM & Maja GRUBISIC, Acadia University, Sofia MOSESOVA & XuWANG, University of Waterloo14:00 Yongtao ZHU, Zhushun YUAN & Meijie GUO, University of Calgary14:20 Olga MELNICHOUK, Maia LESOSKY, Gatot ILHAMTO & Maria WALIULLAH, University of Guelph13:30 – 14:45 Session 07F 211Applied survey methodsMéthodes d’enquête appliquéesContributed Paper Session • Séance de communications libresSurvey Methods Section • Groupe de méthodologie d’enquêteChair • Président : Harold MANTEL Statistics Canada13:30 Taraneh ABARIN, University of ManitobaApplication of two-phase sampling in education survey in Tehran • Application de l’échantillonnageen deux phases dans le sondage sur l’éducation à Téhéran [MS-111]13:45 Myron KATZOFF, Lillian LIN & Michael MONSOUR, National Center for Health Statistics/CDC,Steven THOMPSON, Simon Fraser UniversitySampling issues in national HIV behavioral surveillance of injecting drug users • Problèmes d’échantillonnagedans le programme national de surveillance du VIH pour les utilisateurs de droguesinjectives [MS-112]14:00 Richard LAROCHE & Barbara ARMSTRONG, Statistique CanadaDual frame strategy in the survey of financial security: Do we need a high income sample? •L’utilisation de bases multiples dans l’Enquête sur la sécurité financière : Avons-nous besoin d’unéchantillon de ménages à hauts revenus ? [MS-113]14:15 Laurie REEDMAN, Statistics CanadaImproving the quality of the estimates of “special crops” • L’amélioration de la qualité des estimationsdes cultures spéciales [MS-114]14:30 Caroline CAUCHON & Sylvie LAROCHE, Statistique CanadaWeighting strategy of the Survey of Labour and Income Dynamics (SLID) • Pondération de l’Enquêtesur la Dynamique du travail et du revenu (EDTR) [MS-115]

42 Mardi 14 juin • Tuesday, June 14, 13:30 – 15:0013:30 – 15:00 Session 07G 217Advanced Regression MethodsMéthodes de regression avancéesContributed Paper Session • Séance de communications libresBiostatistics Section • Groupe de biostatistiqueChair • Président : Steven WANG York University13:30 Marco GERACI & Matteo BOTTAI, University of South CarolinaUse of auxiliary data in semiparametric regression with nonignorable missing responses • Utilisationde données auxiliaires en régression semi paramétriques avec des données manquantes nonignorables [MS-116]13:45 Julie HORROCKS, University of GuelphPrediction of binary outcomes from longitudinal data • Prévision d’un résultat binaire pour desdonnées longitudinales [MS-117]14:00 Manon FLEURY, Public Health Agency of Canada, John HOLT, University of Guelph,, DominiqueCHARRON, Public Health Agency of Canada, Brian ALLEN, University of Guelph, Abdel MAAROUF,Environment CanadaTime series models for the relationship of foodborne diseases and temperature • Modèles de sérieschronologiques pour la relation entre la température et les maladies alimentaires [MS-118]14:15 Tulay KORU-SENGUL, University of Saskatchewan, David S. STOFFER, University of PittsburghThe time-varying autoregressive model with covariates for analyzing longitudinal studies • Lemodèle autorégressif à temps variable avec covariables pour analyser des études longitudinales[MS-119]14:30 Ying ZHANG, Acadia University, Ian MCLEOD, University of Western OntarioReparameterization of the boundary of the admissible region for ARMA models • Reparamétrisationde la frontière de la région d’admissibilité pour des modèles ARMA [MS-120]14:45 Jiajia ZHANG & Yingwei PENG, Memorial University of NewfoundlandAn alternative algorithm to the accelerated failure time model • Un algorithme alternatif pour lemodèle de temps de vie accéléré [MS-121]15:00 – 15:30 Pause-café • Coffee Break

Mercredi 15 juin • Wednesday, June 15, 09:00 – 09:45 43Mercredi 15 juin • Wednesday, June 1509:00 – 09:45 Session 09A 241Pierre Robillard Award AddressAllocution du prix Pierre RobillardSpecial Session • Conférence spécialeOrganizer and Chair • Responsable et président : Richard LOCKHART Simon Fraser University09:45 – 10:30 Session 09B 241Canadian Journal of Statistics Award AddressAllocution du prix de La Revue canadienne de statistiqueSpecial Session • Conférence spécialeOrganizer and Chair • Responsable et président : Richard LOCKHART Simon Fraser University10:30 – 11:00 Pause-café • Coffee Break11:00 – 12:30 Session 10A 214ImputationImputationInvited Paper Session • Présentations sur invitationSurvey Methods Section • Groupe de méthodologie d’enquêteOrganizer and Chair • Responsable et président : Eric RANCOURT Statistics Canada11:00 Joseph SCHAFER, Pennsylvania State UniversityCOM server for multiple imputation • Serveur COM pour l’imputation multiple [MS-122]11:30 Thomas KRENZKE, David JUDKINS & Zizhong FAN, WestatVector imputation at Westat • Imputation de vecteurs chez Westat [MS-123]12:00 Robert KOZAK, Statistics CanadaThe Banff system for automated editing and imputation • Le système Banff pour l’éditage etl’imputation automatique [MS-124]

44 Mercredi 15 juin • Wednesday, June 15, 11:00 – 12:3011:00 – 12:30 Session 10B 200Recent Advances in Lifetime DataProgrès récents pour les données de duréeInvited Paper Session • Présentations sur invitationBiostatistics Section • Groupe de biostatistiqueOrganizer and Chair • Responsable et président : Richard COOK University of Waterloo11:00 Thierry DUCHESNE, Université Laval, Radu CRAIU, University of Toronto, Isabelle MICHAUD, UniversitéLavalInference methods based on the EM algorithm for the competing risk model with masked causes offailure • Méthodes d’inférence basées sur l’algorithme EM pour le modèle des risques concurrentsavec causes de pannes masquées [MS-125]11:30 Doulgas SCHAUBEL, University of MichiganA sequential stratification method to estimate the effect of a time-dependent treatment in the analysisof recurrent event data • Une méthode de stratification séquentielle pour estimer l’effet d’untraitement temporellement dépendant pour l’analyse de données d’événements récurrents [MS-126]12:00 Bingshu CHEN, NCI/NIH, Richard COOK, University of WaterlooThe analysis of multivariate point processes with partially missing event types • L’analyse de processusponctuels multivariés avec des types d’événements partiellement manquants [MS-127]11:00 – 12:30 Session 10C 133Estimation in constrained parameter spacesEstimation dans des espaces de paramètres avec contraintesInvited Paper Session • Présentations sur invitationOrganizer and Chair • Responsable et président : Eric MARCHAND Université de Sherbrooke11:00 Wolfgang BISCHOFF, Catholic University Eichstaett-IngolstadtA unified approach for minimax estimation of a bounded parameter • Approche unifiée pourl’estimation minimax d’un paramètre borné [MS-128]11:30 Michael WOODROOFE, University of MichiganShape restricted estimation in the search for dark matter • Estimation restreinte sur la forme dansla recherche de la matière noire [MS-129]12:00 Francois PERRON, Université de MontréalEstimation of the proportion p for a Binomial(n, p) distribution when p is near 1/2 • Estimationd’une proportion p pour une loi Binomiale(n, p) lorsque p est près de 1/2 [MS-130]

Mercredi 15 juin • Wednesday, June 15, 11:00 – 12:30 4511:00 – 12:30 Session 10D 217Graphical Gaussian modelsModèles gaussiens graphiquesInvited Paper Session • Présentations sur invitationOrganizer and Chair • Responsable et présidente : Hélène MASSAM York University11:00 Thomas RICHARDSON, University of Washington, Mathias DRTON, University of California BerkeleyBinary models for marginal independence • Modèles binaires pour l’indépendance marginale [MS-131]11:30 Milan STUDENY, Academy of Sciences of the Czech RepublicA glance at graphical modelling in statistics and artificial intelligence • Un bref regard sur la modélisationgraphique en statistique et en intelligence artificielle [MS-132]12:00 Hélène MASSAM, York University, Gérard LETAC, Université Paul SabatierA new family of conjugate priors for decomposable graphical Gaussian models • Une nouvellefamille de densités a priori conjuguées pour des modèles gaussiens graphiques décomposables[MS-133]11:00 – 12:30 Session 10E 241Teaching statistics in the health and life sciencesL’enseignement de la statistique dans les sciences de la santé et de la vieInvited Paper Session • Présentations sur invitationOrganizer and Chair • Responsable et présidente : Wendy LOU University of Toronto11:00 Paul COREY, University of TorontoComparing apples to oranges - issues in confounding • Comparer des pommes et des oranges :problème d’effets confondants [MS-134]11:30 Penny BRASHER, University of CalgaryTeaching statistics in the presence of heteroscedasticity • Enseigner les statistiques en présenced’hétéroscédasticité [MS-135]12:00 Carl SCHWARZ, Simon Fraser UniversityAn online system for teaching the design (and analysis) of experiments • Un système en ligne pourenseigner la planification et l’analyse d’expériences [MS-136]

46 Mercredi 15 juin • Wednesday, June 15, 11:00 – 12:3011:00 – 12:30 Session 10F 212Model Selection and Robust ModellingSélection des modèles et la modélisation robusteContributed Paper Session • Séance de communications libresBiostatistics Section • Groupe de biostatistiqueChair • Président : Taraneh ABARIN University of Manitoba11:00 J. N. K. RAO, Carleton University, Kalyan DAS, Calcutta University, India & Qunshu REN, CarletonUniversityAnalysis of Longitudinal Bivariate Binary Data Under a Mixed Effects Model • Analyse de donnéeslongitudinales binaires bivariées pour un modèle à effet mixte [MS-137]11:15 Peng ZHANG & Peter SONG, Unversity of Waterloo, Annie QU, Oregon State UniversityMaximum likelihood estimation and inference in non-normal random effects models • Estimationdu maximum de vraisemblance et inférence dans des modèles à effet aléatoire non normal [MS-138]11:30 Lisa LIX, University of ManitobaThe Analysis of Multivariate Repeated Measures Data with Structured Covariances • Analyse dedonnées de mesures répétées multivariées avec covariance structurée [MS-139]11:45 Melanie BUITENDYK, Nicole FERKO, Michele KOHLI & Nancy RYAN, Innovus Research Inc.Clustering countries according to socioeconomic and behavioural measures of disease risk • Classificationde pays selon des mesures socio-économiques et comportementales du risque de maladies[MS-140]12:00 Geneviève LEFEBVRE, Alain C. VANDAL & Russell STEELE, McGill UniversityModel selection for hierarchical linear regression models for longitudinal data • Sélection de modèlesde régression linéaire hiérarchique pour données longitudinales [MS-141]12:15 Afisi ISMAILA, McMaster UniversityKuhnian perspectives applied to the increasing popularity of Bayesian approaches in Health Careresearch: Is it a paradigm shift? • Perspectives de Kuhn appliquées à la popularité croissante del’approche bayésienne en recherche sur la santé : est-ce que ce changement est un paradigme ?[MS-142]11:00 – 12:30 Session 10G 211Sampling and Design IssuesQuestions de sondage et de plannificationContributed Paper Session • Séance de communications libresBiostatistics Section • Groupe de biostatistiqueChair • Président : Angelo CANTY McMaster University11:00 Yuanyuan LIANG & Keumhee Cho CARRIÈRE, University of AlbertaTwo-treatment repeated measurement designs for a model with self and mixed carryover effects

Mercredi 15 juin • Wednesday, June 15, 13:30 – 15:00 47• Designs de mesures répétées pour deux traitements pour un modèle avec des effets résiduelsuniques et mixtes [MS-143]11:15 Ali Reza FOTOUHI, University College of the Fraser ValleyModelling left censored durations in analyzing repeated durations data • Modélisation de duréescensurées à gauche dans l’analyse de données de durées répétées [MS-144]11:30 Ram YADAV & Padam SINGH, Indian Council of Medical ResearchSampling schemes for studying growth of children • Plans d’échantillonnage pour étudier la croissancedes enfants [MS-145]11:45 Sunita GHOSH & Punam PAHWA, University Of SaskatchewanAsthma Prevalence and its relationship with age, sex, and location: A National Population HealthSurvey study: 1994-2001 • La prévalence de l’asthme et sa relation avec l’âge, le sexe et la localisation: une étude sur l’Enquête nationale de santé publique 1994-2001 [MS-146]12:30 – 13:30 Dîner • Lunch Marquis Hall13:30 – 15:00 Session 11A 133Special Invited Session of the Survey SectionSéance spéciale de l’invité du groupe d’enquêteSpecial Session • Conférence spécialeSurvey Methods Section • Groupe de méthodologie d’enquêteOrganizer and Chair • Responsable et président : Changbao WU University of Waterloo13:30 Randy SITTER, Simon Fraser UniversityBootstrapping in complex surveys • Bootstrap pour des sondages complexes [MS-147]Discussant • ModérateurJ.N.K. RAO, Carleton University13:30 – 15:00 Session 11B 214Case Study II: The National Longitudinal Study on Children and Youth (NLSCY)Étude de cas II : L’Enquête longitudinale nationale sur les enfants et les jeunes (ELNEJ)Case Study • Étude de casOrganizer and Chair • Responsable et présidente : Peggy NG York University13:30 Peggy NG, York UniversityPresentation of the Data Set • Présentation du jeu de données [MS-148]13:36 Yuanyuan LIANG, Qiaohao ZHU, Adeniyi ADEWALE, Irina DINU, Julie ZHANG, Kehu ZHOU & XiufangYE, University of Alberta13:48 Zhang LIU, Guohua YAN, Hui SHEN & Jixin LIU, University of British Columbia14:00 Nancy LEBLANC & Cindy UBARTAS, Université de Montréal

48 Mercredi 15 juin • Wednesday, June 15, 13:30 – 14:3014:12 Julien BÉRARD-CHAGNON & Joanne CHARLEBOIS, Université de Montréal14:24 Lisa Wen LE, Matthew KOWGIER, Lucia MIREA & Hadassa BRUNSCHWIG, University of Toronto14:36 Ivan CARILLO, Christina Chor-Yan CHU, Wanhua SU & Xinlei XIE, University of Waterloo14:48 Ye SUN, Rao FU & Hsiao-Hsuan Alice WANG, York University13:30 – 15:00 Session 11C 241Analysis of gene expression dataL’analyse des données d’expression génétique.Invited Paper Session • Présentations sur invitationOrganizer and Chair • Responsable et président : Wenqing HE University of Western Ontario13:30 Jennifer BRYAN, University of British ColumbiaStatistical methods for gene clustering from high-throughput data • Méthodes statistiques pour laclassification de gènes à partir de données à haute résolution [MS-149]14:00 Steven WANG, York UniversityWeighted likelihood estimation with application to micro-array data • Estimation par vraisemblancepondérée avec applications pour les données de microréseaux [MS-150]14:30 Wenqing HE, University of Western OntarioGene selection and prediction of survival information under the Cox proportional hazards model• Sélection de gènes et prévision de l’information de survie sous le modèle de taux de panneproportionnel de Cox [MS-151]13:30 – 14:30 Session 11D 217Business and industrial statistics methods and applicationsMétholodogie et applications de la statistique industrielle et de gestionContributed Paper Session • Séance de communications libresBusiness and Industrial Statistics Section • Groupe de statistique industrielle et de gestionChair • Président : Jock MACKAY University of Waterloo13:30 Sofia MOSESOVA, University of Waterloo, Hugh CHIPMAN, Acadia University, Jock MACKAY & StefanSTEINER, University of WaterlooMining functional data • Exploration de données fonctionnelles [MS-152]13:45 Xu (Sunny) WANG, University of Waterloo, Hugh CHIPMAN, Acadia University, William WELCH,University of British ColumbiaA new mixture discriminant model for drug discovery data • Un nouveau modèle discriminant demélanges pour des données de recherche de nouveaux médicaments [MS-153]14:00 Cody HYNDMAN, University of WaterlooAffine futures and forward prices • Contrat à termes et évaluation postérieures affines [MS-154]14:15 Adebolanle ADEDIGBA, University of Saskatchewan

Mercredi 15 juin • Wednesday, June 15, 13:30 – 15:00 49Statistical distributions for service times • Distributions statistiques pour des temps d’appels deservice [MS-155]13:30 – 15:00 Session 11E 200Clinical Trials and Related IssuesEssais cliniques et questions associéesContributed Paper Session • Séance de communications libresBiostatistics Section • Groupe de biostatistiqueChair • Président : Yun Yee CHOI University of Waterloo13:30 Eleanor PINTO, University of Toronto & Hospital for Sick Children, Andrew WILLAN,Efficient estimation of semi-parametric models for censored cost-effectiveness data • Estimationefficace de modèles semi paramétriques pour des données censurées coût-efficacité [MS-156]13:45 Kevin THORPE, University of Toronto, Robin ROBERTS, McMaster University, Stefan HOHNLOSER,J.W. Goethe University, Paul DORIAN, St. Michael’s Hospital, Stuart CONNOLLY & Michael GENT,McMaster UniversityCompeting risks methodology enhances interpretation of the defibrillator in acute myocardial infarctiontrial (DINAMIT) • La méthodologie de risques concurrents améliore l’interprétation dudéfibrillateur lors d’essais sur les infarctus du myocarde aigus (DINAMIT) [MS-157]14:00 Gabriel ESCARELA, Universidad Autonoma Metropolitana, Mexico CityThe semiparametric mixture model for competing risks data • Modèle semi-paramétrique de mélangespour des données de risques concurrents [MS-158]14:15 Gabriel ESCARELA, Universidad Autonoma MetropolitanaA copula model for the Markov regression of time series count data • Un modèle de copules pourla régression markovienne de données de comptage de séries chronologiques [MS-159]14:30 Xiaohui (Helen) GUO, Lehana THABANE, Kullathorn THEPHAMONGKHOL & George BROWMAN, Mc-Master University, Ian HODSON, McMaster UniveristyBayesian meta-analysis of trials of chemotherapy with radiotherapy in the management of patientswith newly diagnosed locally advanced squamous cell or undifferentiated nasopharyngeal cancer •Méta-analyse bayésienne d’essais de chimiothérapie avec radiothérapie pour la gestion de patientsnouvellement diagnostiqués de cellules squameuses localement avancées ou d’un cancer rhinopharyngiennon différencié [MS-160]14:45 Rong CHU, James DOUKETIS, Lehana THABANE & Kurl CUDDY, McMaster UniversityAssessment of the quality of reporting of obesity trials. A systematic review. • Évaluation de laqualité de diffusion d’essais sur l’obésité, une revue systématique [MS-161]

50 Mercredi 15 juin • Wednesday, June 15, 15:30 – 17:0013:30 – 14:30 Session 11F 212Correlated Discrete DataDonnées discrètes corréléesContributed Paper Session • Séance de communications libresBiostatistics Section • Groupe de biostatistiqueChair • Président : Rohana KARUNAMUNI University of Alberta13:30 Rashid AHMED, Steve BROWN & Paul MCDONALD, University of WaterlooUse of Markov transition model to analyze longitudinal smoking (WSSP3) data • Utilisation du modèlede transition markovien pour analyser des données longitudinales sur le tabagisme (WSSP3)[MS-162]13:45 Farouk NATHOO & Charmaine DEAN, Simon Fraser UniversityMixed Markov models for spatiotemporal multi-state processes • Modèles markoviens mixtes pourdes processus spatio-temporels à plusieurs états [MS-163]14:00 Bethany GIDDINGS, Richard COOK & Grace YI, University of WaterlooPanel event history data with incompletely observed variables • Données d’événements historiquesde panel avec des variables observées incomplètes [MS-164]14:15 Marc FREDETTE, HEC MontréalCalibrating prediction intervals for recurrent events • Calibrage d’intervalle de prédiction d’événementsrécurrents [MS-165]15:00 – 15:30 Pause-café • Coffee Break15:30 – 17:00 Session 12A 241CRM-SSC Award AddressAllocution du lauréat du Prix CRM-SSC 2005Special Session • Conférence spécialeOrganizer and Chair • Responsable et présidente : Charmaine DEAN Simon Fraser University15:30 – 17:00 Session 12B 214Design of experimentsPlanification d’expériencesInvited Paper Session • Présentations sur invitationBusiness and Industrial Statistics Section • Groupe de statistique industrielle et de gestionOrganizer and Chair • Responsable et président : Randy SITTER Simon Fraser University15:30 Derek BINGHAM, Simon Fraser University, Elizabeth KELLY & David OLIVAS, Los Alamos NationalLaboratories, Randy SITTER, Simon Fraser UniversityDesigning experiments for multi-stage processes • Planification d’expériences pour des processusmulti-niveaux [MS-166]

Mercredi 15 juin • Wednesday, June 15, 15:30 – 17:00 5116:00 George MICHAILIDIS, University of Michigan, Derek BINGHAM & Pritam RANJAN, Simon Fraser UniversityDesigning efficient simulations for exploring features of response surfaces • Conception de simulationsefficaces pour explorer les caractéristiques de surfaces de réponses [MS-167]16:30 Crystal LINKLETTER, Randy SITTER & Boxin TANG, Simon Fraser UniversityExpected number of follow-up runs and cost for two-level fractional • Nombre de séquences subséquentesespéré et coûts pour un plan fractionnel à deux niveaux [MS-168]15:30 – 17:00 Session 12C 217Large deviations in statisticsDéviations importantes en statistiqueInvited Paper Session • Présentations sur invitationOrganizer and Chair • Responsable et président : Deli LI Lakehead University15:30 S. Ejaz AHMED, University of Windsor, A.I. VOLODIN, University of ReginaThe complete convergence rates and the law of logarithm for the dependent bootstrap of the mean •Taux de convergence complet et loi du logarithme pour la moyenne bootstrap dépendante [MS-169]16:00 Andre DABROWSKI, University of Ottawa, Rafal KULIK, University of Ottawa & Wroclaw University,Gail IVANOFF, University of OttawaPoisson limits for empirical point processes • Limites pour des processus ponctuels empiriques[MS-170]16:30 Mahmoud ZAREPOUR, University of Ottawa, Hemant ISHWARAN, Cleveland Clinic Foundation, L.F.JAMES, Hong Kong University of Science and TechnologyAsymptotic results for an m out of n Bayesian bootstrap • Résultats asymptotiques pour un bootstrapbayésien de m éléments dans n [MS-171]15:30 – 17:00 Session 12D 133Model and design based inference for sample surveysInférence fondée sur le modèle et sur le plan pour les sondagesInvited Paper Session • Présentations sur invitationOrganizer and Chair • Responsable et président : Narasimha PRASAD University of Alberta15:30 Milorad KOVACEVIC, David BINDER & Georgia ROBERTS, Statistics CanadaHow important is the informativeness of the sample design? • Quelle est l’importance de "l’informativité"du plan d’échantillonnage ? [MS-172]16:00 Narasimha PRASAD & Subhash LELE, University of AlbertaModel robust inference in survey sampling • Inférence robuste basée sur des modèles en échantillonnage[MS-173]16:30 Andre CYR, Alexander DAVIES & Claude GIRARD, Statistics CanadaIRT modeling for latent variable in complex surveys • La modélisation par la TRI de variableslatente pour les enquêtes à plan complex [MS-174]

52 Mercredi 15 juin • Wednesday, June 15, 15:30 – 16:4515:30 – 16:45 Session 12E 211Theoretical survey methodsMéthodes d’enquête théoriquesContributed Paper Session • Séance de communications libresSurvey Methods Section • Groupe de méthodologie d’enquêteChair • Président : Michel LATOUCHE Statistique Canada15:30 Robert PHILIPS, Statistics CanadaThe outlier detection and modeling method proposed for the gst replacement project of the monthlywholesale and retail trade survey • Détection de valeurs aberrantes et méthode de modélisation pourle projet de remplacement du sondage mensuel sur les ventes aux détails et en gros par des donnéesde la TPS [MS-175]15:45 Avinash SINGH & Catalin DOCHITOIU, Statistics CanadaEstimating proportions from survey data by using estimating equations with random recentering• L’estimation des Proportions avec des Plans de Sondage Complexes, en Utilisant des ÉquationsEstimantes Aléatoirement Recentrées [MS-176]16:00 Cynthia BOCCI & Jean-François BEAUMONT, Statistics CanadaA refinement of the regression composite estimator in the labour force survey • Une alternative àl’estimateur par la régression composite à l’enquête sur la population active [MS-177]16:15 Mahmoud TORABI & J. N. K. RAO, Carleton UniversityMean squared error estimation for small area means using survey weights • Estimation par l’erreurquadratique moyenne pour la moyenne sur un petit domaine en utilisant les poids d’échantillonnage[MS-178]16:30 Harold MANTEL, Avi SINGH & Yong YOU, Statistics CanadaUse of generalized design effects for variance function modeling in small area estimation fromsurvey data • L’utilisation des effets de design généralisés pour la modélisation des fonctions devariance dans l’estimation sur de petits domaines à partir de données de sondage [MS-179]15:30 – 16:45 Session 12F 212Statistiscal modeling and applicationsModélisation statistique et ses applicationsContributed Paper Session • Séance de communications libresChair • Président : Afisi ISMAILA McMaster University15:30 Jiguo CAO, Gregor FUSSMANN & Jim RAMSAY, McGill UniversityFitting differential equations to data • Ajuster des équations différentielles à des données [MS-180]15:45 Bruce JONES, University of Western Ontario, Debbie DUPUIS, HEC MontréalModelling extremal dependence - two actuarial problems • Modélisation de la dépendance de valeursextrêmes - deux problèmes actuariels [MS-181]

Mercredi 15 juin • Wednesday, June 15, 15:30 – 17:00 5316:00 Jeffrey PICKA & Travis STEWART, University of New BrunswickConduction-based statistics for description of anisotropy in sphere packings • Statistiques baséessur la conduction pour décrire l’anisotropie dans des arrangements de sphères [MS-182]16:15 Giles HOOKER & James RAMSAY, McGill UniversityIdentifying dynamical systems • Identification des systèmes dynamiques [MS-183]16:30 David CAMPBELL & Jim RAMSAY, McGill UniversityMulti-signal wavelet coherence • Cohérence d’ondelettes multi-signaux [MS-184]15:30 – 17:00 Session 12G 200Methods with Censored DataMéthodologie pour les données tronquéesContributed Paper Session • Séance de communications libresBiostatistics Section • Groupe de biostatistiqueChair • Président : Kelvin THORPE University of Toronto15:30 Jahida GULSHAN & Alwell OYET, Memorial University of NewfoundlandWavelet estimation of density and hazard rate for randomly right censored data • Estimation parondelettes de la densité et du taux de panne pour des données censurés à droite aléatoirement[MS-185]15:45 Yogendra CHAUBEY & Arusharka SEN, Concordia University, Pranab K. SEN, University of NorthCarolinaSmooth estimation of mean residual life under random censoring • Estimation lisse de la moyennede vie résiduelle avec censure aléatoire [MS-186]16:00 Hwashin SHIN, Timothy RAMSAY & Daniel KREWSKI, University of OttawaA nonparametric trend test for k samples of doubly censored data • Un test de tendance non paramétriquepour K échantillons de données doublement censurés [MS-187]16:15 Yun Hee CHOI, David E. MATTHEWS & Grace Y. YI, University of WaterlooResidual plots for accelerated life regression modelling of dependent bivariate time-to-event data •Graphiques des résidus pour la modélisation de temps de vie accéléré de données dépendantes etbivariées de temps jusqu’à un événement [MS-188]16:30 Steve OVERDUIN & Michael STEPHENS, Simon Fraser UniversityConfidence intervals for quantiles of the lognormal distribution • Intervalles de confiances pour lesquantile de distributions log-normales [MS-189]16:45 Xuewen LU, University of Calgary, Wanrong LIU, Hunan Normal UniversityLocal linear estimators of conditional variance functions under random censorship • Estimateurslinéaires locaux de fonctions de variance conditionnelle avec censure aléatoire [MS-190]

54Abstracts • RésumésSession 0 Dimanche 12 juin • Sunday, June 12, 13:00 – 18:00 Sheraton ConferenceFoyerContributed Poster SessionPrésentation d’affiches[MS-1]Statistical analysis of association between pre-term delivery and low weight gainAnalyse statistique de l’association entre le faible gain de poids durant la grossesse et l’accouchementprématuré.Keramat NOURIJELYANI, Tehran University of Medical SciencesObjective: To examine the effect of maternal Objectif : Analyser l’effet du gain en poids durant la grossesseweight gain on the risk of preterm birth. Methods:sur le risque d’accoucher prématurément.We used data on more than 3000 pregnant Méthode : Nous avons utilisé des données sur plus de 3000women receiving care at University Hospitals. Ma- femmes enceintes suivies dans des centres hospitaliers uniternalweights and other important variables were versitaires. Le poids durant la grossesse et d’autres variablesrecorded at each trimester of prenatal visit. Be- importantes ont été enregistrées à chaque visite prénatale tricauseof nature of this study many observations mestrielle. À cause de la nature de cette étude, plusieurs obhadat least one missing variable. Thus, statistical servations ont au moins une valeur manquante. Par consétechniquesfor dealing with such missing values quent, les méthodes statistiques pour traiter de telles donnéeswere examined. Results: Risks of preterm deliv- manquantes ont été comparées.ery were calculated using logistic regression with Résultats : Le risque d’un accouchement prématuré a été esandwithout missing observations and results were timé en utilisant une régression logistique avec et sans lescompared.observations manquantes et les résultats ont été comparés.[MS-2]Effects of statistical method of assessment on prognosis of limited-stage small-cell lung cancerEffets des méthodes d’analyse statistique sur le pronostic du cancer à petites cellules du poumon à niveaulimitéJudy-Anne CHAPMAN, NCIC Clinical Trials Group, Queens University, Edward YU, University of Western Ontario,Melanie ROYCE, University of New Mexico, Patricia TAI, University of SaskatchewanPrognosis and impact of prognostic factors are Les facteurs du pronostic et de l’impact du pronostic sontstandardly assessed with respectively, Kaplan- normalement évalués respectivement par les modèles pro-Meier and Cox proportional hazards. However, portionnels aléatoires de Kaplan-Meier et de Cox. Cepentheremight be substantive differences in prog- dant, il peut y avoir des différences de pronostic substannosis,if different statistical methods were used, tielles si différentes méthodes statistiques d’analyse de sur-

Dimanche 12 juin • Sunday, June 12, 13:00 – 18:00 55e.g. Boag log-normal, Kaplan-Meier, Cox, and vie sont utilisées, telles que Boag log-normale, Kaplanlog-normalsurvival analysis. A cohort of 244 Meier, Cox et log-normale. Une cohorte de 244 patients atlimited-stagesmall cell lung cancer patients ac- teint du cancer à petites cellules du poumon à niveau limitécrued between 1981 and 1998, followed to the recrutés entre 1981 et 1998 et suivis jusqu’à la fin de féendof February, 2002 was used to compare 1-, 3-, vrier 2002 a été utilisé pour comparer la survie spécifique àand 5-year disease-specific survival obtained with la maladie après 1, 3 et 5 ans avec quatre méthodes difféthefour methods. The lack of events after 1966 rentes. Le manque d’événements après 1966 jours a écartédays precluded comparison after 5-years. Apparent les comparaisons après 5 ans. Les pronostics apparents pourprognosis for patients was substantively influenced certains patients sont substantiellement influencés par la mébythe statistical method of assessment.thode d’analyse statistique choisie.[MS-3]Tests for equality of curves via waveletsTests d’égalité de courbes par les ondelettesPengfei GUO & Alwell OYET, Memorial University of NewfoundlandIn our study, we develop tests for equality of responsecurves. We assume that the mathematicalDans notre étude, nous développons des tests d’égalité decourbes réponses. Nous supposons que l’expression mathéexpressionof the response curves are unknown. matique des courbes réponses est inconnue. Conséquem-Consequently, we exploit the adaptive properties ment, nous exploitons les propriétés adaptatives des ondeofwavelets to construct a wavelet representation lettes pour construire une représentation d’ondelettes desof the curves. Then, we develop an approach courbes. Ensuite, nous développons une approche qui comwhichcombines the False Discovery Rate (FDR) bine la technique du taux de faux positif et l’approche unitechniqueand the universal thresholding approach, verselle de seuil, largement utilisée en débruitage de donwidelyused in data denoising, for detecting differ- nées, pour détecter les différences entres les courbes. Nousences between the curves. We also discuss some discutons également quelques méthodes basées sur le testmethodsbased on the general F-test. We con- F généralisé. Nous considérons plusieurs exemples sous unesider several examples under a variety of conditions variété de conditions telles que l’égalité des variances, vasuchas equality of variances, nonconstant variance riance non constante et un nombre inégal d’observations.and unequal number of observations. The size and Nous rapportons les performances de la taille et de la puispowerperformances of the tests are reported. sance des tests.[MS-4]A randomized study to determine the effectiveness of interventions to improve participant protocolcompliance in a large clinical study.Une étude randomisée pour déterminer l’efficacité d’interventions pour améliorer le protocole de conformitédes participants dans une importante étude cliniqueKayo WALSH, University of Colorado at Denver, Eduard GAMITO, Richard JONES, Shannon PRETZEL, ColinO’DONNELL & Sheryl OGDEN, University of Colorado Health Sciences CenterThis study evaluates five interventions to improveprotocol compliance in a large randomized cancerscreening trial. Intervention effectiveness wastested with Chi-square and Fisher’s exact tests.Markov modeling was used to determine the effectsof other variables including age, gender, and previousattendance on compliance. Results indicatethat the interventions had no statistically significanteffect on compliance (p > 0.05). The MarkovCette étude évalue cinq interventions pour améliorer le protocolede conformité dans un important essai randomisé dedépistage du cancer. L’efficacité de l’intervention est testéepar le test du khi-deux et le test exact de Fisher. Une modélisationmarkovienne est utilisée pour déterminer les effetsd’autres variables incluant l’âge, le sexe et l’apparence an-térieure de conformité. Les résultats montrent que les inter-ventions n’ont aucun effet statistiquement significatif sur laconformité. (p > 0.05). Le modèle markovien indique que

56 Dimanche 12 juin • Sunday, June 12, 13:00 – 18:00model indicated that participants who missed a les participants qui ont manqué un rendez-vous de dépistagescreening appointment in a given year, the proba- dans une année donnée ont une probabilité de revenir l’anbilitythat they would come in the next year (the née suivante (la probabilité de transition) de 0.6377 pour lestransition probability) was 0.6377 for females and femmes et 0.7072 pour les hommes (p = .0047)0.7072 for males (p = 0.0047).[MS-5]Long-term effects of air pollution on lung function of children and adolescents in CanadaEffets d’une Exposition Prolongée à la Pollution Atmosphérique sur la Capacité Respiratoire de JeunesCanadiensMireille GUAY, Betty EDWARDS & Mark RAIZENNE, Santé Canada / Health CanadaThe effects of long-term exposure to air pollutionon the lung function of 552 children and adoles-Une étude portant sur les effets d’une exposition prolongéeà la pollution atmosphérique sur la capacité respiratoire decents were examined in four Canadian cities. In 552 jeunes a été réalisée dans quatre villes canadiennes. Des1990, lung function tests were administered to chil- tests de spirométrie ont été conduits en 1990 auprès d’élèvesdren in grades 4-5, questionnaires were completed de quatrième et cinquième année ; des questionnaires ont étéand levels of different pollutants were measured. administrés et certains polluants mesurés. Les participantsThese children were tested again in 1998-1999. A ont fait l’objet de réévaluation en 1998-1999. Un modèle derepeated measures model, stratified by gender and mesures répétées, stratifié selon le sexe et ajusté pour l’âge,including adjustments for age, weight, height, his- le poids, la taille, le tabagisme et l’histoire d’allergie a ététory of allergy and smoking, was fitted. The data conçu. Il ressort qu’une exposition à long terme à des nisuggestthat long-term residence in communities veaux modérés de pollution atmosphérique pourrait porterwith modest air pollution levels may impair nor- atteinte au développement normal des poumons. L’étude rémallung growth and function and that females are vèle aussi un risque accru chez les individus de sexe féminin.at greater risk.[MS-6]The probability of knotting after a local strand in a self-avoiding polygonProbabilité de nouage après un brin local dans un polygone qui s’auto éviteMichael SZAFRON & Christine SOTEROS, University of SaskatchewanMotivé par des études expérimentales de l’action d’un enzymesur l’ADN, il y a un intérêt de déterminer les proba-bilités de noeuds espérées lorsque des passages de brins lo-caux sont implémentés aléatoirement dans un polymère enanneau. Pour investiguer ce problème, un modèle de treillisde polygones qui s’auto évitent d’un polymère en anneaua été étudié à l’aide de simulations de Monte Carlo avecchaînes de Markov. Ce modèle à été utilisé pour estimer laprobabilité qu’un polymère en anneau ait un type de noeudsK après le passage d’un brin local à l’intérieur du polymère.Nous présentons le modèle, quelques estimateurs des pro-babilités de nouages et une comparaison avec les probabili-tés de nouages estimées par Flammini, Maritan, et Stasiak(2004) pour un modèle sans treillis.Motivated by experimental studies of enzyme actionon DNA, there is interest in determining theexpected knot probabilities when local strandpassagesare implemented at random locations in aring polymer. In order to investigate this problem, aself-avoiding polygon lattice model of a ring polymerwas studied via Markov Chain Monte Carlosimulation, [which was used] to estimate the probabilitythat the ring polymer had knot-type K aftera local strand passage had occurred within the ringpolymer. The model, some estimates of the knottingprobabilities, and a comparison with the knottingprobabilities estimated by Flammini, Maritan,and Stasiak (2004) for an off-lattice model will bepresented.

Dimanche 12 juin • Sunday, June 12, 13:00 – 18:00 57[MS-7]Applications of statistical methods - principal component (PCA) and cluster analysis (CLA) insynchrotron-based ftir spectra analysis for feed/plant inherent structure researchApplications de méthodes statistiques - Analyse en composantes principales (ACP) et classificationautomatique (CA) en analyse de spectre FTIR basé sur le synchrotron pour la recherche sur les structuresinhérentes aliments/plantesP. YU, University of SaskatchewanDes méthodes statistiques telles l’analyse en composantesprincipales (ACP) et la classification automatique (CA) ontété utilisées pour analyser les spectres FTIR obtenus à partirde différentes structures inhérentes aliments/plantes de tis-sus intacts à un niveau cellulaire et sous-cellulaire en utili-sant la micro-spectroscopie avancée basée sur le synchrotroncomme nouvelle approche. Les données sur les spectres dechaque structure inhérente aliments/plantes ont été amasséesau National Synchrotron Light Source (NSLS) du BrookhavenNational Laboratory (BNL), US Dept of Energy (NSLS-BNL, NY, USA). Les deux méthodes, soient l’ACP et la CAont donnés des résultats satisfaisants et concluants quant àla discrimination des structures inhérentes aliments/plantes.Ces analyses statistiques placent la micro-spectroscopie ba-sée sur le synchrotron à l’avant-plan des nouvelles techniquespotentielles qui pourraient être utilisées dans le dépistagerapide, non destructif et non invasif des structuresaliments/plantes en relation avec la qualité et la valeur nutri-tive des aliments/plantes.Statistical methods - principal component analysis(PCA) and cluster analysis (CLA) were usedto analyze synchrotron-based FTIR spectra obtainedfrom various feed/plant inherent structureswithin intact tissues at a cellular and subcellularlevel, using the advanced synchrotron-basedFTIR microspectroscopy as a novel approach. Thespectra data of each feed/plant inherent structurewere collected at the National Synchrotron LightSource (NSLS) in Brookhaven National Laboratory(BNL), US Dept of Energy (NSLS-BNL, NY,USA). Both PCA and CLA methods gave satisfactoryresults and are conclusive in showing thatthey can discriminate and classify inherent structuresbetween and among feed/plant structures.These statistical analyses place synchrotron-basedFTIR microspectroscopy at the forefront of thosenew potential techniques that could be used inrapid, non-destructive, and non-invasive screeningof feed/plant structures in relation to quality andnutritive value of feeds/plant.[MS-8]Remedies for serial correlation and multiple local optima in period analysis of variable stars.Remède pour la corrélation sérielle et les optimums locaux multiples dans l’analyse périodique d’étoilesvariablesPeter HOOPER, University of AlbertaDes problèmes surviennent lorsqu’on estime la période et lacourbe de la lumière (ou la fonction périodique) d’une étoilevariable, dû a à corrélation sérielle et au sur-ajustement. Maméthode d’analyse utilise la régression adaptative à base lo-gistique pour estimer la courbe de la lumière pour chaquepériode sur un éventail de périodes possibles. La méthodedonne une fonction de perte estimée ainsi qu’un petit en-semble de périodes localement optimales. Pour contrôler lesur-ajustement, j’utilise un ajustement AIC de la perte impli-quant une taille d’échantillon efficace basée sur un modèlede corrélation estimé. Je suggère également des heuristiquespour assister la sélection d’une période unique.Problems arise when estimating the period andlight curve (or periodic function) of a variablestar due to serial correlation and consequent overfitting.My method of analysis employs adaptivelogistic basis regression to estimate the light curvefor each period, over a range of potential periods.The method produces an estimated loss functionand a small set of locally optimal periods. To controlover-fitting, I use an AIC adjustment of the lossinvolving an effective sample size based on an estimatedcorrelation model. I also suggest heuristicsto assist in selecting a unique period.

58 Dimanche 12 juin • Sunday, June 12, 13:00 – 18:00[MS-9]Application of multivariate poisson models for analysis of weed countsApplication de modèles de Poisson multivariés pour l’analyse du nombre de variétés de plantesChandima KARUNANAYAKE & William H. LAVERTY, University of SaskatchewanMultivariate count data occurs in different varietyof fields. For modeling such data, one may considerthe multivariate Poisson distribution. In anagricultural field survey the count for the numberof different weed species has been recorded for severalfields. The distribution of counts depends onthe underlying sequence of states, which is unobserved(i.e., hidden). Analysis of this data involvesthe estimation of the number of hidden states, Poissonmeans and covariances. The estimation of hiddenstates can be done using a model based clusteringmethod, which involves a multivariate Poissonfinite mixture or Markov-dependent finite mixturemodel.Les données de dénombrement multivariées surviennentdans plusieurs domaines. Pour modéliser de telles données,on peut considérer la distribution de Poisson multivariée.Dans un sondage des champs en agriculture, le dénombre-ment des différentes espèces de plantes a été enregistré pourplusieurs champs. La distribution des nombres dépend de laséquence sous jacente des états, qui n’est pas observée (i.e.cachée). L’analyse de ces données implique l’estimation dunombre d’états cachés, des covariances et des moyennesPoisson. L’estimation des états cachés peut être effectuée enutilisant une méthode de cluster basée sur des modèles quiimplique un modèle de mélange fini de Poisson multivariéou bien un modèle de mélange fini de dépendance marko-vienne.[MS-10]On the estimation of number of exceedances over a thresholdEstimation de la fréquence de dépassement d’un seuilQiaohao ZHU & Narasimha PRASAD, University of AlbertaThis article considers applying the balanced onewayrandom effects model in estimating the num-Cet article considère l’application du modèle balancé d’effetaléatoire à un facteur pour estimer la fréquence de dépasberof exceedances over a given threshold and rel- sement d’un seuil pour une certaine quantité. La procédureative quantities. The classic procedure is based classique est basée sur des hypothèses de normalité et d’hoonnormality and homogeneity assumptions. We mogénéité. Nous comparons plusieurs procédures bootstrapcompare several bootstrap procedures through nu- à travers des études numériques. Nous présentons égalementmerical studies. Results on comparison of these les résultats des comparaisons de ces méthodes bootstrap enbootstrap methods using a real data set on blood utilisant un jeu de données réelles sur la pression sanguinepressure from the International Prospective Pri- de l’étude internationale de prévention primaire prospectivemary Prevention Study in Hypertension are also re- sur l’hypertension.ported.[MS-11]Expressions of life meaning among college studentsLe sens de la vie selon des étudiants collégiauxM. MIKET, W. H. LAVERTY, C. PRINGLE-NELSON & I. W. KELLY, University of SaskatchewanThis study examined the views of undergraduatestudents regarding what they considered to be contributingfactors to a worthwhile or meaningful life.A survey was given to 132 students (Male=35, Female=97)where they rated, on a Likert scale (1to 5) of 40 statements their agreement with eachstatement. The data were analyzed by cluster anal-Cette étude examine la vision des étudiants sous-gradués surce qu’ils considèrent comme étant les facteurs contribuant àune vie intéressante ou qui fait du sens. Un sondage a été distribuéà 132 étudiants (35 hommes et 97 femmes) et ceux-ciont noté sur une échelle de Likert (1 à 5) leur niveau d’ac-cord avec 40 énoncés. Les données ont été analysées à l’aidede méthodes de regroupement et d’autres techniques supplé-

Lundi 13 juin • Monday, June 13, 08:30 – 09:00 59ysis and other supplementary techniques. It wasfound that three clusters best described the data.One cluster comprised a religious group, and theother two clusters were non-religious, with onehaving characteristics of both the religious andnon-religious cluster.mentaires. Il a été trouvé que le nombre idéal de groupesest trois. Un groupe rassemble les gens ayant une vision religieuse,un autre une vision non-religieuse et, finalement,un dernier regroupe des gens ayant des caractéristiques desdeux premiers groupes.[MS-12]Case Study II: The National Longitudinal Study on Children and Youth (NLSCY)Étude de cas II : L’Enquête longitudinale nationale sur les enfants et les jeunes (ELNEJ)Jing LIN & Miao FANG, McMaster UniversitySession 01A Lundi 13 juin • Monday, June 13, 08:30 – 09:00 241WelcomeBienvenuSession 01B Lundi 13 juin • Monday, June 13, 09:00 – 10:30 241SSC Presidential Invited AddressAllocution de l’invitée de la Présidente de la SSC[MS-13]Deterministic and statistical models for turbulence: What could burgers have said to Kolmogorov?Modèles déterministe et statistique pour la turbulence : qu’est-ce que Burgers aurait pu dire à Kolmogorov ?Barbara KEYFITZ, Fields Institute and University of HoustonProviding a satisfactory mathematical descriptionof turbulence has challenged mathematicians forTrouver une description mathématique satisfaisante de la turbulenceest un défi pour les mathématiciens depuis plus deover seventy years. The contributions of Kol- soixante-dix ans. La contribution de Kolmogorov qui utimogorov,using statistical techniques, provide the lise des techniques statistiques est encore le meilleur canbestcandidates today for a rigourous theory. On didat pour une théorie rigoureuse. D’un autre côté, des tratheother hand, earlier work by Burgers resulted in vaux plus anciens de Burgers ont résulté dans un modèle quia model that forms the basis of the modern theory forme les bases de la théorie moderne des lois de la conserofconservation laws. In this talk, I will contrast the vation. Dans cet exposé, je vais confronter l’approche déterdeterministicapproach pioneered by Burgers to the ministe de Burgers au modèle probabiliste de Kolmogorov.probabilistic models of Kolmogorov.

60 Lundi 13 juin • Monday, June 13, 11:00 – 12:30Session 02A Lundi 13 juin • Monday, June 13, 11:00 – 12:30 214Statistics models for discrete longitudinal dataModèles statistiques pour des données longitudinales discrètes[MS-14]Some unusual applications of hidden Markov modelsQuelques nouvelles applications des chaînes de Markov cachéesRachel ALTMAN, Simon Fraser University, Stefan REINKER, University of Freiburg, John STAUDENMAYER, Universityof MassachussettsLes chaînes de Markov cachées (CMC) sont des outilscommuns pour modéliser des données de séries chronolo-giques. Récemment, cette classe de modèle à été étenduepour être appliquée à des données longitudinales en plus desséries chronologiques. Dans cette présentation, nous illustronsdeux nouvelles approches dans lesquelles la théorie desCMC peut être modifiée pour résoudre des problèmes pra-tiques. Le premier exemple concerne l’utilisation des CMCpour estimer les paramètres reliés aux taux de réaction chi-mique dans des petits systèmes tels des cellules biologiques.Le deuxième exemple implique l’application des CMC auproblème de prédiction de l’activité physique des individusbasée sur des mesures prises à l’aide d’un accéléromètre.Hidden Markov models (HMMs) are a commontool for modelling time series of data. Recently,this class of models has been extended so as to applyto longitudinal as well as time series data. Inthis talk, we illustrate two novel ways in whichHMM theory may be modified in order to solvepractical problems. The first example concerns theuse of HMMs to estimate chemical reaction rateparameters in small systems such as a biologicalcell. The second example involves the applicationof HMM theory to the problem of predicting individuals’physical activities based on their observedaccelerometer counts.[MS-15]A marginalized model for combining state and national level survey data to estimating screening trendsUn modèle marginalisé pour combiner des données de sondages au niveau des états et au niveau nationalpour estimer les tendances de dépistageDiana MIGLIORETTI, Group Health Cooperative, Elizabeth BROWN, University of WashingtonNous proposons une approche par régression marginaliséepour combiner des données de sondages au niveau des états(BRFSS) et au niveau national (NHIS) pour estimer les ten-dances de dépistage du cancer du colon aux États-Unis. L’in-térêt est l’incidence cumulative du dépistage qui est modé-lisée par un modèle d’influence mixte de la diffusion desinnovations. Les données provenant des NHIS sont modé-lisées directement en utilisant le modèle au niveau national.Les données provenant des BRFSS sont modélisées par unmodèle (conditionnel) au niveau des états pour tenir comptede la stratification à l’intérieur des états et des données man-quantes. Ce modèle au niveau des états est lié au modèlenational pour une estimation conjointe. Nous discutons égalementde certaines extensions pour tenir compte du pland’échantillonnage.We propose a marginalized regression approachfor combining state (BRFSS) and national (NHIS)level survey data to estimate colorectal cancerscreening trends in the United States. Interest isin the cumulative incidence of screening, which ismodeled using a mixed-influence diffusion of innovationsmodel. The NHIS data is directly modeledusing this national-level model. The BRFSS datais modeled using a state-level (conditional) modelto account for clustering within states and missingdata. This state-level model is linked to the nationalmodel for joint estimation. Extensions to accountfor survey design are discussed.

Lundi 13 juin • Monday, June 13, 11:00 – 12:30 61[MS-16]Comparison of goodness-of-fit tests based on transition counts for misclassified, binary, alternatinglongitudinal dataComparaison de tests de qualité d’ajustement basés sur les compteurs de transition pour des donnéeslongitudinales binaires, alternantes et mal classifiéesRhonda ROSYCHUK, University of AlbertaThe behaviour of transition count based goodnessof-fittests in an alternating binary Markov modelNous examinons le comportement des tests d’ajustement baséssur les compteurs de transition dans un modèle de Marwithmisclassification is examined. Transition kov binaire alternatif avec mauvaise classification. Les proprobabilitiesspecify the state transitions for a pro- babilités de transition spécifient les transitions d’états pourcess that is not directly observable. The state of un processus qui n’est pas directement observable. Les étatsan observable process, which may incorrectly clas- d’un processus observable qui peut classifier incorrectementsify the unobservable process state, is obtained at le processus non observé sont obtenus à des périodes dediscrete time points. Misclassification probabili- temps discrètes. Les probabilités de mauvaise classificationties capture two types of classification errors be- captent deux types d’erreur de classification entre les protweenthe unobservable and observable process. cessus observé et non observé. Les statistiques d’ajustementGoodness-of-fit statistics are based on observed sont basées sur les triplets de transition observés et les comptransitiontriplet and two-step pair counts, and for teurs appariés à deux étapes, et pour des compteurs de transiseparatetransition pair counts at each longitudinal tion appariés séparés à chaque numéro d’observation longiobservationnumber. Simulation studies are used to tudinale. Des études de simulations sont utilisées pour comcomparethe goodness-of-fit tests.parer les tests d’ajustement.Session 02B Lundi 13 juin • Monday, June 13, 11:00 – 12:30 200Strong asymptoticsAsymptotiques fortes[MS-17]Asymptotic limits for coupled stochastic DE’sLimites asymptotiques pour des équations différentielles stochastiques coupléesAndrew HEUNIS, University of Waterloo, Seyed HASHEMI, University of ManitobaWe study a pair of stochastic DE’s, one defininga "fast process", the other defining a "slow process".The fast process evolves unilaterally and isa stable but singular diffusion which conditions thedrift and covariance coefficients of the slow process.Motivated by recent results of Pardoux andVeretennikov on nonsingular diffusions, we establisha solvability theory for the Poisson equationassociated with the linear differential operator ofa stable but singular diffusion, then use this to establishlimit results for the slow process as the fastprocess is speeded up indefinitely.Nous étudions une paire d’équations différentielles (ED) stochastiques,une définissant un processus rapide et l’autre unprocessus lent. Le processus rapide évolue unilatéralement etpossède une diffusion stable mais singulière qui conditionneles coefficients de dérive et de covariance du processus lent.Motivé par des résultats récents de Pardoux et Veretennikovsur la diffusion non singulière, nous établissons une théoriede solvabilité pour l’équation de Poisson associée à l’opé-rateur différentiel linéaire d’une diffusion stable mais sin-gulière. Nous utilisons ensuite cette théorie pour établir desrésultats limites pour le processus lent quand le processusrapide est accéléré indéfiniment.

62 Lundi 13 juin • Monday, June 13, 11:00 – 12:30[MS-18]A strong invariance principle for associated random fieldsUn principe d’invariance forte pour des champs aléatoires associésRaluca BALAN, University of OttawaIn this article we generalize Yu’s (Ann. Probab.24, 1996) strong invariance principle for associatedsequences to the multi-parameter case, underthe assumption that the covariance coefficientu(n) decays exponentially as n goes to infinity.The main tools that we use are: the Berkes andMorrow multi-parameter blocking technique, theCsörgő and Révész quantile transform method, andthe Bulinski rate of convergence in the central limittheorem.Dans cet article, on generalise le principe d’invariance fortede Yu (Ann. Probab. 24, 1996) pour des suites associes auxprocessus indexes par plusieurs parametres, sous l’hypothesede convergence exponentielle du coefficient de covarianceu(n), lors que n tends vers infini. Les outils principals qu’onutilise sont : la technique de «blocking» a plusierus parametresde Berkes et Morrow, la methode de la transformation«quantile» de Csörgő and Révész, et la vitesse de conver-gence de Bulinsnki dans le theoreme limite centrale.Session 02C Lundi 13 juin • Monday, June 13, 11:00 – 12:30 212How and how well do we train future consultantsComment et avec quelle qualité entraînons-nous nos futurs consultants[MS-19]How and how well do we train future consultants?Comment, et comment bien entraînons nous les futures consultantsJeanette O’HARA HINES, University of Waterloo, David BELLHOUSE, University of Western Ontario, John PETKAU,University of British Columbia, Heather THIESSEN, London Health Sciences Centre, Jamie MYLES, PfizerThis session is designed to integrate an academicview of how statistical consulting should be taughtCette session est conçue pour intégrer une vision académiquesur comment la consultation statistique devrait êtrewith a critical view of current practices. It will enseignée, avec une vision critique des pratiques actuelles.start with descriptions of consulting courses cur- Nous allons commencer par décrire des cours de consulrentlybeing taught at three universities (Bellhouse, tation qui sont présentement enseignés à trois universitésPetkau, O’Hara Hines), an assessment of the suit- (Bellhouse, Petkau et Ohara Hines), ensuite nous évaluons laability of one such course as preparation for her validité d’un de ces cours comme préparation pour une prefirstposition as a statistician (Thiessen), and an as- mière position comme statisticien (Thiessen) et finalementsessment of the skills needed by graduated statis- nous évaluons les qualités requises chez les étudiants graticsstudents (Myles). This will then be followed dués en statistique (Myles). Ceci sera suivi d’une discussionby open discussion from the participants and the ouverte entre les participants et l’audience.audience.

Lundi 13 juin • Monday, June 13, 11:00 – 12:30 63Session 02D Lundi 13 juin • Monday, June 13, 11:00 – 12:30 133Bayes and likelihoodBayes et la vraisemblance[MS-20]Elimination of nuisance parameters by integrationÉlimination de paramètres de nuisance par intégrationTom SEVERINI, Northwestern UniversityConsider a model with parameter θ and componentSoit un modèle avec un paramètre θ et un paramètre de com-parameter of interest ψ = ψ(θ) and con- posante d’intérêt ψ = ψ(θ). Considérons le problème quisider the problem of constructing a likelihood for consiste à construire la vraisemblance pour ψ. Plusieurs méψ.Many non-Bayesian methods of constructing thodes non bayésiennes pour construire un telle fonctionsuch a likelihood have been proposed, such as de vraisemblance ont eté proposées, telles que les vraisemmarginaland conditional likelihoods, profile like- blances marginales et conditionnelles, les vraisemblanceslihoods, and modified versions of the profile likeli- de profile, et les versions modifiées des vraisemblances dehood. From the Bayesian point-of-view, construc- profile. D’un point de vu bayésien, la construction d’unetion of a likeihood for ψ is easily achieved by ‘in- vraisemblance pour ψ est facilement accomplie en intégranttegrating out’ the nuisance parameter with respect le paramètre de nuisance par rapport à une certaine distributoa given prior distribution, although selection of tion a priori. Cependant, la sélection de cette distribution athis prior distribution may be difficult. In this talk, I priori peut être difficile.consider the problem of constructing an integrated Dans cette présentation, je considère le problème de lalikelihood for use in non-Bayesian likelihood in- construction d’une vraisemblance integrée pour utilisationference. A new type of prior density for this is pro- dans l’inférence de vraisemblance non-bayésienne. Un nouposedand its properties will be discussed.veau type de densité a priori est proposé et ses propriétésseront discutées.[MS-21]p-values with nuisance parameters: A unified approach between Bayesian and frequentistsQuelques valeurs p en présence de paramètres de nuisance : une approche unifiée entre bayésiens etfréquentistesJudith ROUSSEAU, Université Paris Dauphine, Don FRASER, University of TorontoIn many problems with nuisance parameters interestingp-values are hard to get, i.e. uniforme or ap-proximately so under the null hypothesis and consistentunder the alternative. Berger and Bayarrihave proposed different types of Bayesian p-values,among them the conditional posterior predictive p-value, p cpred .Here we prove that such p-values are asymptoticallyuniform under general conditions and withgreat precision. We also compare this Bayesian p-value by a frequentist one, based on some ancillarystatistic.The behaviour of the Bayesian p-value is then consideredunder the alternative.We then illustrate these in a goodness of fit test.ner des valeurs-p intéressantes en présence de paramètres denuisance est souvent difficile. Berger et Bayarri ont proposédifférents types de valeurs-p bayésiennes et notamment lavaleur-p conditionnelle a posteriori. Nous démontrons quecette valeur-p est asymptotiquement uniforme sous l’hypo-thèse nulle, avec une grande précision et nous la comparonsà une autre valeur-p construite a partir d’une statistique exhaustive.Nous étudions aussi le comportement de cette valeur-p sousl’hypothèse alternative.Un exemple est présenté dans le cadre d’un test d’adéqua-tion.

64 Lundi 13 juin • Monday, June 13, 11:00 – 12:30[MS-22]What model information is appropriate for the Bayesian paradigmQuelle est l’information appropriée sur le modèle pour le paradigme bayésienDon FRASER, University of TorontoBoth Bayesian and recent likelihood methodologiesuse the observed likelihood function; but theyTant les méthodologies bayésiennes que les méthodologiesclassiques récentes utilisent la fonction de vraisemblance obdifferin what additional model informational is servée. Cependant, ces méthodologies diffèrent en terme deadded. For this we classify priors as subjective, l’information additionnelle sur le modèle. Pour cela, nousobjective or default and argue that the subjective classons les densités a priori comme subjectives, objectivesshould be introduced only on an individual basis ou par défaut et nous argumentons le fait que les densitésand after a default analysis. We address the basis subjectives devraient être introduites seulement sur une basefor choosing default priors; introduce three desider- individuelle et suite à une analyse par défaut. Nous discutonsata for such priors; and in a general context define les questions de bases pour choisir des densités a priori parneutral priors.défaut, nous introduisons trois desiderata pour de telles densitésà priori et nous définissons les densités a priori neutresdans un contexte général.Session 02E Lundi 13 juin • Monday, June 13, 11:00 – 12:30 211The Joint Canada/United States Survey of Health: Analytic results and methodologicalissuesL’enquête conjointe Canada/Etats-Unis sur la santé : Résultats analytiques et questionsméthodologiques[MS-23]Obesity rate differences between American and Canadian adults: Findings from the Joint Canada/UnitedStates Survey of HealthLes différences des taux d’obésité entre les adultes américains et canadiens : Constatations de l’enquêteconjointe Canada/États-Unis sur la santéJane GENTLEMAN, Debra L. BLACKWELL & Michael E. MARTINEZ, National Center for Health Statistics, CDCThe 2002-03 Joint Canada/United States Survey ofHealth was a telephone survey that used the samequestionnaire in both countries. One finding in a reportreleased with the microdata by the survey cosponsors—StatisticsCanada and the National Centerfor Health Statistics—was that 21% of Americansand 15% of Canadians were obese, a gapprimarily due to differences between obesity ratesfor American women (21.9) and Canadian women(13.9). The Winnipeg Sun highlighted that findingwith a headline: "women fatter: study”. Weexamine differences between Canadian and Americanobesity/overweight rates, focusing on differencesthat might explain observed differentials forwomen.

Lundi 13 juin • Monday, June 13, 11:00 – 12:30 65[MS-24]Health disparities in the U.S. and CanadaLes disparités de santé aux États-Unis et au CanadaJean-Marie BERTHELOT, Statistics Canada, Nancy ROSS, McGill University & Statistics CanadaNous avons utilisé l’Enquête Canada/États-Unis sur la santépour examiner les disparités de santé entre les deux pays.L’analyse à considérer les gradients du revenu et de l’avoirsur la santé. Le tiers (31%) des Américains appartenant augroupe de revenus les plus faibles ont indiqué une santé pas-sable ou faible, comparativement à 23% des Canadiens. Desrésultats similaires ont été observés pour les restrictions dela mobilité, le tabagisme, l’obésité et les besoins non com-blés. Aucune différence systématique n’a été observée entreles ménages les plus riches des deux côtés de la frontière. Legradient social en matière de santé et de soins de santé estplus prononcé aux États-Unis qu’au Canada.Using the Joint Canada/U.S. Survey of Health, weexamined the size of the health disparities acrossthe two countries. The analysis looked at incomeand wealth gradients in health. One-third (31%) ofAmericans in the lowest income group reported fairor poor health, compared with 23% among Canadians.Similar differences were observed for mobilitylimitations, smoking, obesity and unmet needs. Nosystematic differences were observed among themost affluent households on either side of the border.The social gradient in health and health careservices is steeper in the U.S. than it is in Canada.[MS-25]The effect of survey follow-up on nonresponse biasL’effet du suivi après sondage sur le biais de non réponseStephen BLUMBERG, Karen DAVIS, Meena KHARE & Michael MARTINEZ, National Center for Health StatisticsTo achieve greater response rates for the U.S. sample,the 2002-2003 Joint Canada/United States Sur-Pour atteindre des taux de réponse plus élevés pour l’échantillonaméricain dans le sondage conjoint Canada/États-Unisvey of Health fielded additional telephone calls and sur la santé, on a effectué des appels téléphoniques additionrefusalconversion attempts for three months fol- nels et d’autres essais pour convertir des refus pour les troislowing the planned close of data collection. Fi- mois suivant la date prévue d’arrêt de collecte de données.nal weighted survey estimates were compared with Les estimations pondérées finales de sondage ont été compaestimatesfrom the U.S. National Health Interview rées avec les estimations du U.S. National Health InterviewSurvey and with weighted estimates based on inter- Survey et avec les estimations pondérées basées sur les inviewscompleted prior to the planned close of data terviews complétés avant la date prévue d’arrêt de collecte,collection, interviews completed with no more than les interviews complétées avec au plus 10 appels et les in-10 dials, and interviews completed without refusal terviews complétées sans efforts pour convertir les refus deconversion efforts. Nonresponse bias remained réponse. Le biais de non réponse est resté constant malgréconstant despite efforts to increase response rates. les efforts pour augmenter le taux de réponse.Session 02F Lundi 13 juin • Monday, June 13, 11:00 – 12:30 241Current advancement in statistical geneticsProgrès récents en génétique statistique[MS-26]Genetic association studies in isolated populationsÉtudes d’associations génétiques dans des populations isoléesHongyu ZHAO & Ning SUN, Yale University School of MedicineThe identifications of genetic variants underlyingcomplex diseases represent a major challenge toL’identification des variantes génétiques sous jacentes à desmaladies complexes représente un défi majeur pour les généhumangeneticists. The use of isolated popula- ticiens du corps humain. L’utilisation de populations isolées

66 Lundi 13 juin • Monday, June 13, 11:00 – 12:30tions has turned out to be a very fruitful approachdue to the reduced heterogeneity both in geneticbackground as well as in environmental exposures.However, conducting genetic association studies inan isolated population is complicated by the closerelatedness among the cases and controls, and theexact degree of relatedness is often unknown due tothe complex genealogy for a given population. Inthis presentation, we will discuss statistical methodsthat we have recently developed for geneticassociation studies in an isolated population. Theproposed methods will be illustrated through theirapplications to a real genetic study.s’est avérée être une approche intéressante dû à la réductionde l’hétérogénéité du passé génétique et de l’exposition àl’environnement. Cependant, effectuer des analyses d’associationsgénétiques dans une population isolée est compliquéà cause de la proximité des cas et des témoins. De plus, le de-gré exact de proximité est souvent inconnu à cause de la gé-néalogie complexe d’une population donnée. Dans cette pré-sentation nous discutons des méthodes statistiques que nousavons récemment développées pour les études d’associationsgénétiques dans une population isolée. Les méthodes pro-posées sont illustrées à travers leurs applications pour desétudes génétiques réelles.[MS-27]Multilocus LD measures and tagSNP selection with generalized mutual informationMesure de déséquilibre de liaison et sélection de tagSNP avec une information mutuelle généraliséeShili LIN & Zhenqiu LIU, Ohio State UniversityLinkage disequilibrium (LD) plays a central rolein fine mapping and in characterizing haplotypeLe déséquilibre de liaison (DL) joue un rôle central dans l’indexationfine et dans la caractérisation des blocs haplotypes.blocks. Although classical LD measures have been Même si les mesures de DL classiques ont été appliquéessuccessfully applied to block detection and SNP avec succès à la détection de bloc et à la sélection de SNP,selection, their pairwise nature does not provide leur nature par paire ne permet pas une caractérisation diadirect characterization of joint LD among mul- recte de DL joint à travers des locus multiples. Nous propotipleloci. We propose a multilocus LD measure sons une mesure de DL multi locus en utilisant la distance deusing Kullback-Leibler distance. Based on this Kullback-Leibler. Basé sur cette mesure et une mesure d’enmeasureand an entropy measure that characterizes tropie qui caractérise la diversité des haplotypes, nous inhaplotypediversity, we introduce a class of step- troduisons une classe d’algorithmes de sélection de tagSNP.wise tagSNP selection algorithms. Applications to Des applications à des données réelles et simulées indiquentsimulated and real data indicate satisfactory perfor- une performance satisfaisante et montrent l’habilité des almanceand demonstrate their ability for handling a gorithmes à gérer un ensemble de SNP trop grand pour êtreSNP set too large to be amenable with other meth- traité par d’autres méthodes.ods.[MS-28]Improving the validity and efficiency of statistical genetic analysisAmélioration de la validité et de l’efficacité des analyses génétiques statistiquesShelley BULL, University of Toronto, Joanna BIERNACKA, Cambridge Institute for Medical Research, Lei SUN,University of Toronto, Long Yang WU, Samuel Lunenfeld Research InstituteThe accuracy of gene localization and the validityof locus-specific effect estimates are major con-La précision dans la localisation d’un gêne et la validité del’estimation de l’effet spécifique à un locus sont des préoccernsin both fine-mapping and genome-wide link- cupations majeures en cartographie fine et dans les étudesage studies of complex diseases. I will discuss de liaisons sur le génome pour des maladies complexes. Jesome of our recent work aimed at improving statis- discute de certains de nos récents travaux visant à amélioticalmethods for analysis of identical-by-descent rer des méthodes statistiques pour l’analyse du partage desallele sharing in affected siblings. In fine-mapping, allèles identiques par descendance dans des fratries atteinteswe propose a GEE model that improves localiza- de la maladie. En cartographie fine, nous proposons un mo-

Lundi 13 juin • Monday, June 13, 11:00 – 12:15 67dèle d’équations estimantes généralisées qui améliore la lo-calisation et l’efficacité lorsque deux gènes de maladies sontprésents dans une même région chromosomique. Deuxième-ment, nous appliquons des méthodes de rééchantillonnagepour réduire le biais de l’estimation de l’effet spécifique àun locus lorsque des critères de signification stringents pourcontrôler l’erreur de type I introduisent un biais de sélectiondans des études sur le génome au complet.tion and efficiency when two disease genes arepresent in one chromosomal region. Secondly, weapply resampling methods for bias reduction oflocus-specific effect estimates when stringent significancecriteria to control type I error in genomewidestudies induce selection bias.Session 02G Lundi 13 juin • Monday, June 13, 11:00 – 12:15 217ProbabilityProbabilité[MS-29]Rate of convergence in invariance principle for associated sequencesTaux de convergence du principe d’invariance pour des séquences dépendantesRafal KULIK, University of OttawaIn this paper we obtain a rate of convergence inthe strong invariance principle for associated randomvariables, extending Sakhanenko (1984) resultfor independent random variables. That rate is obtainedunder power-law decay of covariances. Itsolves the problem posed by Yu (Annals of Probability,1996), who obtained a strong invarianceprinciple for associated random variables assumingexponential decay of covariances. Moreover,we also obtain strong invariance principle for negativelyassociated sequences as well as for linearprocesses with associated coefficients.Dans cet article, nous obtenons un taux de convergence pourle principe d’invariance fort pour des variables aléatoires dé-pendantes en étendant le résultat de Sakhanenko (1984) pourdes variables aléatoires indépendantes. Ce taux est obtenupour une décroissance des covariances suivant la loi de puis-sance. Il résout le problème posé par Yu (Annals of Proba-bility, 1996) qui avait obtenu un principe d’invariance fortpour des variables aléatoires dépendantes en supposant unedécroissance exponentielle de la covariance. De plus, nousobtenons également un principe d’invariance fort pour desséquences négativement dépendantes et pour des processuslinéaires avec des coefficients dépendants.[MS-30]On the Gut’s general weak law of large numbersSur la loi faible des grands nombres générale de GutSupranee LISAWADI & Andrei VOLODIN, University of ReginaFrom the classical notion of uniform integrabilityof a sequence of random variables, a new conceptÀ partir de la notion classique de l’intégrabilité uniformed’une séquence de variables aléatoires, un nouveau conceptof integrability (called h-integrability) for an ar- d’intégrabilité (appelé h-intégrabilité) pour une matrice deray of random variables, concerning an array of variables aléatoires concernant une matrice de constantes,constants, has been introduced by Ordonez Cabr- a été introduite par Ordonez, Cabrera et Volodin, (J. Math.era and Volodin, [J. Math.Annal.Appl., to appear]. Annal. Appl., à paraître). Ce concept est plus faible que cer-This concept is weaker than other previous related taines autres notions d’intégrabilité reliées. Nous considénotionsof integrability. We consider the general rons la loi faible des grands nombres générale au sens deweal law of large numbers in the sense of Gut Gut (Stat. & Prob. Letters 14(1992) 49-52) sous cette nou-[Statist.Probab.Lett. 14(1992) 49052] under this velle condition d’intégrabilité.new condition of integrability.

68 Lundi 13 juin • Monday, June 13, 11:00 – 12:15[MS-31]Weak convergence of nilpotent Markov chainConvergence faible d’une chaîne de Markov impotenteJanusz KAWCZAK, University of North Carolina at CharlotteNous étudions le spectre de l’opérateur de covariance d’unechaîne de Markov impotente. Ceci est un cas spécial de lachaîne de Markov générale avec la condition de Doeblin.Les chaînes ayants cette propriété surviennent naturellementquand on teste des générateurs de nombres aléatoires (GNA)lorsqu’il est compris qu’une séquence finie de nombres estproduite pour former un mot. Nous spécialisons notre ap-proche pour l’étude de la convergence faible avec l’estima-tion améliorée du terme résiduel pour des statistiques de testsde type permutation.Une analyse complète du spectre de l’opérateur de cova-riance est présentée pour l’espace L 2 . Nous donnons une dé-composition explicite de l’espace L 2 en une somme directedes espaces propres associés aux valeurs propres de l’opéra-teur de covariance. Cette décomposition permet le dévelop-pement d’algorithmes computationnels efficaces lorsqu’onveut établir la distribution limite du théorème limite centralfonctionnel générée par une chaîne de Markov générale.Nous présentons également quelques résultats de type Berry-Esseen pour les chaînes de Markov générales avec et sans lapropriété impotente.Markoum of the covariance operator of the nilpotentMarkov Chain. This is a special case of thegeneral Markov Chain with the Doeblin condition.The chains with this property arise naturally intesting Random Number Generators (RNG) whenit is understood that a finite sequence of digits isproduced to form a word. We specialize our approachto the study of weak convergence with theimproved estimation of the remainder term for thepermutation type test statistics.A complete analysis of the spectrum of the covarianceoperator is presented for the L 2 space. Wegive an explicit decomposition of L 2 into the directsum of the eigenspaces associated to the eigenvaluesof the covariance operator. This decompositionallows for the development of efficient computationalalgorithms when establishing the limitingdistribution of the functional Central Limit Theoremgenerated by a general Markov Chain.We also present some results of Berry-Esseen typefor general Markov chains with and without nilpotentproperty.roperty.[MS-32]A second order Morita approximation to random copolymer localizationUne approximation de Morita du deuxième ordre pour la localisation aléatoire de copolymèreJuan ALVAREZ & Chris SOTEROS, University of SaskatchewanWe use a Morita approximation to analyze Dyckpath models of random copolymer localization atNous utilisons une approximation de Morita pour analyserdes modèles de trajectoires de Dyck pour la localisation aléaaninterface between two immiscible liquids. A toire de copolymères sur la surface entre deux liquides impolymercan be either delocalized, with zero den- miscibles. Un polymère peut être soit délocalisé, avec unesity of monomers at the interface, or localized, with densité nulle de monomères à la surface, où localisé aveca non-zero density of monomers at the interface. une densité non nulle de monomères à la surface. Nous ap-We constrain the proportion of each type of como- pliquons une contrainte sur la proportion de chaque type denomer and the proportion of pairs of neighboring comonomère et sur la proportion de paires de comonomèrescomonomers. The boundaries in the phase diagram voisins. Les frontières dans le diagramme de phase restentremain unchanged with respect to previous work inchangées par rapport aux travaux précédents qui ne consiusinga single constraint. However, the average free déraient qu’une seule contrainte. Cependant, l’énergie libreenergy in the localized regions yields a tighter up- moyenne dans les régions localisées donne une borne supéperbound on the average quenched free energy. rieure plus stricte sur l’énergie libre moyenne amortie.

Lundi 13 juin • Monday, June 13, 13:30 – 15:00 69[MS-33]On the Watson efficiency in a weakly singular linear modelSur l’efficacité de Watson dans un modèle linéaire faiblement singulierSimo PUNTANEN & Ka Lok CHU, University of Tampere, Finland, Jarkko ISOTALO & George P. H. STYAN, McGillUniversityWhile considering the estimation of regression coefficientsin a partitioned weakly singular linearTout en considérant l’estimations de coefficients de régressiondans un modèle linéaire faiblement singulier partimodel,Chu, Isotalo, Puntanen and Styan (2004) tionné, Chu, Isotalo, Puntanen et Styan (2004) ont introintroduceda particular decomposition for the Wat- duit une décomposition de l’efficacité de Watson pour l’essonefficiency of the ordinary least squares estima- timateur des moindres carrées ordinaire. Cette décompositor.This decomposition presents the "total" Wat- tion présente l’efficacité de Watson " totale " comme un prosonefficiency as a product of three factors. In duit de trois facteurs. Dans cet article, nous jetons un rethispaper we give new insight into the decom- gard neuf sur cette décomposition, montrant que les troisposition showing that all three factors are related facteurs sont reliés à l’efficacité de sous-modèles particuliersto the efficiencies of particular submodels or their ou de leurs versions transformées. De plus, nous établissonstransformed versions. Moreover, we prove an in- un lien entre une décomposition particulière de l’efficacitéteresting connection between a particular split of de Watson et le concept d’exhaustivité linéaire. Nous faitheWatson efficiency and the concept of linear suf- sons une brève revue de la relation entre cette efficacité etficiency. We shortly review the relation between des corrélations canoniques spécifiques. Nous introduisonsthe efficiency and specific canonical correlations. également la décomposition correspondante pour le critèreWe also introduce the corresponding decomposi- commutateur de Bloomfield-Watson et donnons une conditionfor the Bloomfield–Watson commutator crite- tion nécessaire et suffisante pour sa séparation spécifique.rion, and give a necessary and sufficient conditionfor its specific splitSession 03A Lundi 13 juin • Monday, June 13, 13:30 – 15:00 241Special Invited Session of the Biostatistics SectionSéance spéciale de l’invité du groupe de biostatistique[MS-34]Biostatistics as narrativeNarration sur la biostatistiqueGerald VAN BELLE, University of WashingtonI discuss the societal context biostatistics. My Je discute du contexte social des biostatistiques. Ma thèsethesis is that biostatistics is exciting, relevant to porte sur le fait que la biostatistique est excitante, utile auxdaily experience, and essential for understanding expériences journalières et essentielle pour nous comprendreourselves and our society. The grand themes of nous même et notre société. Les grands thèmes de la biostabiostatisticsare the refinement of everyday expe- tistique sont le raffinement des expériences de chaque jour.rience.Si ce qui est mentionné plus haut est vrai, pourquoi n’est-If the above is true, why isn’t that the perception of ce pas la perception des autres citoyens ? Comment pouvonsour fellow citizens? How can we make their expe- nous rendre leur expérience le raffinement des statistiques.rience the refinement of every day statistics? Les biostatisticiens devraient être demandés par les expertsBiostatisticians should be the sought-after experts pour commenter sur des sujets tels l’efficacité des traiteforcomment on topics such as treatment efficacy, ments, les politiques, la pollution, la validation des causespolicy, pollution, validation of cause and effect. et effets. Cet exposé va montrer comment ceci est fait et cer-This talk will show some ways in which this is taines manières pour l’améliorer.done, and ways in which we can improve.

70 Lundi 13 juin • Monday, June 13, 13:30 – 15:00Session 03B Lundi 13 juin • Monday, June 13, 13:30 – 15:00 214Quality improvementAmélioration de la qualité[MS-35]The power of a baseline investigation ILa puissance d’une étude de base IJock MACKAY & Stefan STEINER, University of WaterlooTo reduce variation in a medium to high volumemanufacturing process, we recommend a sequenceof investigations, guided by an algorithm we callStatistical Engineering. The purpose of the initialinvestigation is to establish the problem baseline.We propose a plan using a systematic samplingscheme for the baseline investigation to quantifythe full extent of output variation and to determinehow the output changes over time. We demonstratethe critical role of this baseline information in theplanning and analysis of subsequent observationalinvestigations to isolate a dominant cause of thevariation.Pour réduire la variation dans un processus de fabrication àmoyen ou haut volume, nous recommandons une séquenced’investigations, guidée par un algorithme que nous appelonsingénierie statistique. Le but de l’investigation initialeest d’établir la base du problème. Nous proposons un planqui utilise un plan d’échantillonnage systématique pour l’in-vestigation de base, pour quantifier la variation total du pro-duit et pour déterminer comment le produit change dans letemps. Nous démontrons le rôle critique que joue cette in-formation de base dans la planification et l’analyse d’inves-tigations subséquentes pour isoler une cause dominante devariation.[MS-36]The power of a baseline investigation IILa puissance d’une étude de base IIStefan STEINER & Jock MACKAY, University of WaterlooIn part II, we examine the role of the baseline informationin the planning, conduct and analysis of experimentsused in the later stages of the StatisticalEngineering algorithm. In particular, we examinehow knowledge of the full extent of variation andthe time-dependent nature of the process is usefulin defining experimental runs, blocks, and replicates.We also look at the role of randomizationin light of the baseline knowledge. We discuss experimentsfor component swapping, verification ofa suspect dominant cause and process robustness,commonly used as part of Statistical Engineeringto reduce variation.Dans la partie 2, nous examinons le rôle de l’information debase dans la planification, la mise en application et l’ana-lyse d’expériences utilisées dans les dernières étapes de l’algorithmed’ingénierie statistique. En particulier, nous exa-minons comment la connaissance de la variation complèteet de la nature dépendante du temps du processus est utilepour définir les lots, les blocs et les réplications expérimen-tales. Nous examinons également le rôle de la randomisa-tion à la lumière de la connaissance de l’information de base.Nous discutons des expériences pour des échanges de com-posantes, pour la vérification de la cause dominante pour unsuspect et pour la robustesse d’un processus, qui sont habi-tuellement utilisés en ingénierie statistique pour réduire lavariance.

Lundi 13 juin • Monday, June 13, 13:30 – 15:00 71[MS-37]Control charts for monitoring process mean and variability simultaneouslyDiagrammes de contrôle pour suivre simultanément la moyenne et la variabilité d’un processusGemai CHEN, The University of Calgary, Lingyun ZHANG, Massey University, New ZealandLa moyenne et la variabilité d’un processus sont habituellementsuivies par deux digrammes de contrôle différents.Certains efforts on été effectués pour utiliser un seul dia-gramme en combinant deux diagrammes existants, un pourla moyenne et un autre pour la variabilité. Dans cette présen-tation, nous explorons la possibilité de construire des dia-grammes qui sont naturellement conçus pour suivre simultanémentla moyenne et la variabilité.Process mean and variability are usually monitoredby two different control charts. Some efforts havebeen made to use one chart by combining two existingcharts, one for mean and one for variability.In this talk, we explore the possibility of designingcharts which by nature are meant to monitor bothmean and variability simultaneously.Session 03C Lundi 13 juin • Monday, June 13, 13:30 – 15:00 133Measurement error modelsModèles d’erreurs de mesure[MS-38]Bayesian modelling for measurement error problemsModélisation bayésienne pour des problèmes d’erreurs de mesuresPaul GUSTAFSON, University of British ColumbiaIl y a beaucoup de littérature sur comment ajuster l’inférencedes modèles de régression lorsqu’une ou plusieurs va-riables prédictrices sont mesurées de façon imprécise. Nousdiscutons d’approches bayésiennes pour de tels ajustementsavec une référence particulière à deux problèmes qui ap-paraissent fréquemment dans la littérature. Premièrement,nous commentons le problème " d’identifiabilité " du mo-dèle. Il y a souvent un écart entre ce qui peu être raison-nablement supposé sur le mécanisme d’erreur et ce qui doitêtre supposé pour obtenir un modèle formellement identi-fiable. Deuxièmement, nous considérons le débat sur le dé-sir d’avoir des méthodes basées sur la vraisemblance pour detels problèmes, sachant que la vraisemblance requiert la mo-délisation de la distribution du vrai prédicteur non observédans la population étudiée.There is considerable literature on how to adjustinferences from regression models because one ormore of the predictor variables are measured imprecisely.We discuss Bayesian approaches to suchadjustments, with particular reference to two issuesthat arise frequently in the literature. First, wecomment on the issue of model identifiability. Oftenthere is a gap between what might reasonablybe assumed about the measurement error mechanismand what must be assumed to gain a formallyidentified model. Second, we consider the debateabout the desirability of likelihood-based methodsfor such problems, given that the likelihood requiresmodelling the distribution of the true but unobservedpredictor in the study population.[MS-39]Instrumental variable estimation of nonlinear errors-in-variables modelsEstimation instrumentale de variable pour des modèles non linéaires d’erreurs dans les variablesSusanne SCHENNACH, University of ChicagoCet article établi que des instruments rendent possible l’identificationde modèles de régression non paramétriques lors-qu’il y a des erreurs de mesures et présente un estimateurde racine d’ordre n consistant et asymptotiquement normalThis paper establishes that instruments enable theidentification of nonparametric regression modelsin the presence of measurement error and providesa root n consistent and asymptotically normal es-

72 Lundi 13 juin • Monday, June 13, 13:30 – 15:00timator when the regression function is paramet- lorsque la fonction de régression est spécifiée de façon pararicallyspecified. Both the identification and the métrique. Les méthodes d’identification et d’estimation sontestimation methodologies rely on Fourier analysis basées sur l’analyse de Fourier et sur la théorie des foncandon the theory of generalized functions. The tions généralisées. L’estimateur proposé prend la forme bienproposed estimator takes the well-known form of connue d’un estimateur par la méthode des moments généageneralized method of moment estimator with a ralisée avec une estimation non paramétrique par le noyauplugged-in nonparametric kernel density estimate, d’une densité. Cette dernière caractéristique facilite l’anathusfacilitating the analysis of its asymptotic prop- lyse des propriétés asymptotiques de l’estimateur. Nous préerties.Monte Carlo simulations and an application sentons des résultats de simulations de Monte-Carlo et uneto the estimation of the black-white male wage gap application de la méthode pour l’estimation de l’écart entreare presented.les salaires des hommes de race noire versus les hommes derace blanche.[MS-40]Ideintifiability and estimation of semiparametric nonlinear errors-in-variables modelsIdentifiabilité et estimation de modèles semi paramétriques non linéaires d’erreurs dans les variablesLiqun WANG, University of Manitoba, Cheng HSIAO, University of Southern CaliforniaNous traitons un modèle non linéaire d’erreurs dans les variablesoù les distributions de la variable prédictive non ob-servée et des erreurs aléatoires sont non paramétriques. Enutilisant une approche instrumentale variable, nous construi-sons des estimateurs de distance minimale pour les para-mètres du modèle. Sous certaines conditions générales, cesestimateurs sont consistent et asymptotiquement normaux.Nous construisons également des estimateurs basés sur dessimulations pour éviter certains problèmes informatiques deminimisation d’une fonction objective impliquant des in-tégrales multiples. Finalement, en utilisant la méthode desmoments et la déconvolution de Fourier, nous dérivons unecondition d’ordre pour l’identifiabilité du modèle facilementvérifiable en pratique.We deal with a nonlinear errors-in-variables modelwhere distributions of the unobserved predictorvariable and random errors are nonparametric.Using instrumental variable approach, we constructminimum distance estimators for model parameters,which are shown to be consistent andasymptotically normally distributed under fairlygeneral conditions. we also construct simulationbasedestimators to overcome the possible computationaldifficulty of minimizing an objective functionwhich involves multiple integrals. Finally, usingthe method of moments and Fourier deconvolutionwe derive a rank condition for model identifiability,which is easy to check in practice.Session 03D Lundi 13 juin • Monday, June 13, 13:30 – 15:00 211Recent development of finite mixture modelsDéveloppements récents dans les mélanges de modèles finis[MS-41]Adaptive estimation for mixture distributionsEstimation adaptative de mélanges de distributionsJiayang SUN, Case Western Reserve University, Jiahua CHEN, Uinversity of WalterlooNew adaptive estimators for parameters in mixturedistributions are proposed. They are especially usefulwhen data come in large quantities (so that theyare too large to be inputed into a standard algorithmfor (efficient) computation), or sequentially overtime(ie. they are on-line data). The performanceNous proposons de nouveaux estimateurs adaptatifs pour lesparamètres d’un mélange de distributions. Ils sont particu-lièrement utiles lorsqu’il y a beaucoup de données (lorsquele nombre est trop grand pour que les données soient uti-lisées directement dans un algorithme standard et pouvoirobtenir un calcul efficace), ou bien lorsque les données sont

Lundi 13 juin • Monday, June 13, 13:30 – 14:30 73of these estimators are compared with the standardEM algorithm in the standard situation when theEM algorithm can be used. Coupling the new estimatorswith the recent D-test we develop a datamining procedure for intrusion detection.séquentielles dans le temps (i.e. des données en ligne). Laperformance de ces estimateurs est comparée avec celle del’algorithme EM dans la situation habituelle où l’algorithmepeut être utilisé. En jumelant les nouveaux estimateurs avecle test-D développé récemment, nous introduisons une procédurede forage de données pour la détection d’intrusions.[MS-42]Hypothesis testing in mixture regression modelsTests d’hypothèses pour des mélanges de modèles de régressionsHongtu ZHU, Columbia University and New York Psychiatric Institute, Heping Zhang ZHANG, Yale UniversityIn this paper, we establish asymptotic theory forboth the maximum likelihood and maximum modifiedlikelihood estimators in mixture regressionmodels. Moreover, under specific and reasonableconditions, we show that the optimal convergenceDans cet article, nous établissons une théorie asymptotiquepour les estimateurs du maximum de vraisemblance et dumaximum de vraisemblance modifié pour des mélanges demodèles de régression. De plus, sous des conditions spéci-fiques et raisonnables, nous montrons que le taux de converrateof n − 4 1 for estimating the mixing distribu- gence optimal de n − 1 4 pour estimer la distribution de métionis achievable for both the maximum likeli- lange est atteignable pour les deux estimateurs mentionnéshood and maximum modified likelihood estima- plus haut. Nous obtenons également les distributions asymptors.We also derive the asymptotic distributions totiques de deux statistiques de tests du rapport de vraisemoftwo log-likelihood ratio test statistics for testing blance pour tester l’homogénéité et nous proposons une prohomogeneityand propose a resampling procedure cédure de ré-échantillonnage pour approximer la valeur-p.for approximating the p-value. Simulation studies Nous effectuons des études de simulations pour analyser laare conducted to investigate the empirical perfor- performance empirique des deux statistiques de tests. Finamanceof the two test statistics. Finally, two real lement, nous analysons deux jeux de données réelles afindata sets are analyzed to illustrate the application d’illustrer l’application de nos résultats théoriques.of our theoretical results.[MS-43]Variable selection in finite mixture of regression modelsSélection de variables pour un mélange fini de modèles de régressionAbbas KHALILI & Jiahua CHEN, University of WaterlooThe problem of variable selection is an importantmodel selection problem in statistical applications.Le problème de sélection de variables est un problème importantde sélection de modèles en statistiques. Nous consi-We consider the problem of variable selection in dérons le problème de la sélection de variables pour unFinite Mixture of Regression(FMR)models. Often, mélange fini de modèles de régression (MFMR). Au débutat the beginning of a study a large number of po- d’une étude, il y a souvent un grand nombre de covariablestential covariates are of interest. This produces a d’intérêts possibles. Ceci produit un MFMR large et comlargeand complex FMR model which is not de- plexe, qui n’est pas souhaitable en modélisation statistique.sirable in statistical modeling. We extend the idea Nous étendons l’idée des estimateurs de types LASSO ouof LASSO and SCAD-type estimators proposed by SCAD proposés par Tibshirani (1996) et Fan et Li (2001)Tibshirani (1996), Fan and Li (2001), to perform pour effectuer la sélection de variables pour un mélange finivariable selection in FMR models. Performance of de modèles de régression. La performance de la méthode estthe method is studied theoretically and via simula- étudiée théoriquement et également par des simulations.tions as well.

74 Lundi 13 juin • Monday, June 13, 13:30 – 14:30Session 03E Lundi 13 juin • Monday, June 13, 13:30 – 14:30 217Elaboration of a calibration strategy: a case studyÉlaboration d’une stratégie de calage : une étude de cas[MS-44]Overview of the harmonised calibration strategy for income statisticsAperçu de la stratégie de calage harmonisée pour les statistiques du revenuJohanne TREMBLAY & Michel LATOUCHE, Statistique CanadaDans le but d’améliorer la comparabilité des estimations etdes distributions de revenu entre les enquêtes de StatistiqueCanada ainsi qu’avec les données fiscales et les ComptesNationaux, les stratégies de calage des enquêtes sur le re-venu, les dépenses et la sécurité financière ont été évaluées etharmonisées. Des contrôles de revenu provenant de sourcesadministratives et de nouveaux types de contrôles démogra-phiques ont ainsi été ajoutés à l’étape de calage de ces en-quêtes.Un aperçu de la nouvelle stratégie sera présenté. L’emphasesera mise sur les problèmes engendrés par l’utilisation desfichiers administratifs et par l’utilisation de plusieurs typesde contrôles démographiques.In order to improve the comparability of incomeestimates and distributions across Statistics Canadasurveys as well as with tax data and National Accounts,the calibration strategies of surveys onincome, expenditures and financial security havebeen evaluated and harmonised. Income controlsfrom administrative sources and new types of demographiccontrols were then added to the calibrationstep of these surveys.An overview of the new strategy will be presented.This presentation will focus on the problems generatedby the use of administrative files and by theuse of several types of demographic controls.[MS-45]Evaluation of the quality of the demographic estimations and the tax data used in the calibration of somedifferent surveys in Statistics Canada (STC)Évaluation de la qualité des estimations démographiques et des données fiscales utilisées lors du calage dedifférentes enquêtes de Statistique Canada (STC)Sylvie AUGER & Johanne TREMBLAY, Statistique CanadaDifférentes enquêtes de STC utilisent, pour le calage, des estimationsdémographiques dérivées principalement du der-nier recensement et de fichiers administratifs. Ces estima-tions sont révisées après chaque recensement. De même, cer-taines enquêtes utilisent des totaux selon le revenu provenantde fichiers de données fiscales. Dans le cadre du développe-ment de la stratégie de calage harmonisée pour les statis-tiques du revenu, on a fait une évaluation de la qualité de cesestimations et totaux.On présentera les résultats de l’évaluation des estimationsdémographiques basées sur le Recensement 1996 et les ré-sultats de l’évaluation des différents fichiers administratifsdisponibles pour les totaux selon le revenu.When calibrating, different surveys at STC use demographicestimates derived mainly from the lastcensus and some administrative data files. Theseestimates are revised after each census. As well,some surveys use totals based on revenue comingfrom tax data files. Within the framework of thedevelopment of a strategy for harmonised calibrationof income statistics, we did an evaluation ofthe quality of these estimates and totals.We will present the results of the evaluation of thedemographic estimations based on the 1996 Censusand the results of the evaluation of the different taxdata files available for the totals based on revenue.

Lundi 13 juin • Monday, June 13, 13:30 – 14:30 75[MS-46]Calibration strategy of the Survey of Labour and Income DynamicsStratégie de calage de l’Enquête sur la dynamique du travail et du revenuSylvie LAROCHE & Michel LATOUCHE, Statistique CanadaThe Survey of Labour and Income Dynamics(SLID) is a longitudinal panel survey of individuals.The sample is composed of two overlappingpanels. In the context of the harmonised calibrationstrategy for income statistics, SLID developeda regression estimator that uses a combination ofdemographic and fiscal control counts to adjustsurvey estimates to known population counts. Thepurpose of the presentation will be to present theestimator and the auxiliary variables used, alongwith the impact of the new calibration strategy onthe survey estimates.L’Enquête sur la Dynamique du travail et du revenu (EDTR)est une enquête longitudinale par panel menée auprès desindividus. L’échantillon est composé de deux panels qui sechevauchent. Dans le cadre de la stratégie de calage harmo-nisée pour les statistiques du revenu, l’EDTR a mis sur pointun estimateur par régression combinant des comptes démo-graphiques et fiscaux pour ajuster certaines estimations d’en-quête à des totaux connus de la population. La présentationportera sur l’estimateur et les variables auxiliaires utiliséesainsi que sur l’impact de la nouvelle stratégie sur les estima-tions tirées de l’enquête.[MS-47]Lessons to be learned from the use of administrative data at the weighting stageLeçons à tirer de l’utilisation de données administratives au stade de la pondérationMichel LATOUCHE & Johanne TREMBLAY, Statistique CanadaL’utilisation de données administratives lors de la pondérationpermet souvent d’méliorer la qualité des estimations.En plus de réduire la variance ou le bais, elles assurentune meilleure cohérence entre les différentes sources d’es-timation. Il faut cependant être prudent lorsqu’on élaboreune stratégie de calage. Cette méthode peut ne représenterqu’une solution palliative à une problème plus fondamental: la représentativité de l’échantillon.Nous présenterons les impacts positifs de la stratégie de ca-lage harmonisée sur les statistiques du revenu, de l’avenirde la régression généralisée et des activités entreprises parStatistique Canada pour résoudre les problèmes de représen-tativité.The use of administrative data at the weightingstage often improves the quality of the estimates.In addition to variance or bias reduction, it assuresconsistency across surveys and other sources. Oneshould, however, be aware that a calibration strategymay not address an even more fundamentalproblem, that of sample representativity.We will show the positive impacts of the HarmonisedCalibration of Income Statistics project,the future of the project and the one of the generalisedregression estimator. We will also discussthe activities undertaken by Statistics Canada totackle sample representativity problems at their origin.

76 Lundi 13 juin • Monday, June 13, 13:30 – 14:30Session 03F Lundi 13 juin • Monday, June 13, 13:30 – 14:30 212Bayesian methodologyMétholodogie bayésienne[MS-48]Importance sampling with the generalized exponential power densitySimulations Monte Carlo avec fonction d’importance à l’aide de la densité GEPAlain DESGAGNÉ, Université du Québec à Montréal & Drake University, Jean-François ANGERS, Université deMontréalIn this paper, the generalized exponential power(GEP) density is proposed as an importance functionin Monte Carlo simulations in the context ofestimation of posterior moments of a location parameter.The choice of the GEP density as an importancefunction allows us to obtain reliable andeffective results when p-credences of the prior andthe likelihood are defined, even if there are conflictingsources of information. Characterization andordering of the tails of both the GEP density andthe posterior can be done using p-credence. Simulationof observations from the GEP density is alsoaddressed.Dans cet article, la densité GEP (puissance d’exponentiellegénéralisée) est proposée comme fonction d’importancedans les simulations Monte Carlo dans le contexte d’estima-tion des moments a posteriori d’un paramètre de position.Le choix de la densité GEP comme fonction d’importancepermet d’obtenir des résultats fiables et efficaces lorsque lap-crédence des densités a priori et de la vraisemblance sontdéfinies, même s’il y a des sources d’information conflic-tuelles. La caractérisation et l’ordination des ailes de la den-sité GEP et de la densité a posteriori est possible grâce à lap-crédence. La simulation d’observations provenant d’unedensité GEP est aussi discutée.[MS-49]On the behaviour of Bayesian credible intervals for some restricted parameter space problemsSur le comportement de divers estimateurs par intervalles pour des espaces paramétriques contraintsÉric MARCHAND, Université de Sherbrooke et University of New Brunswick, William E. STRAWDERMAN, RutgersUniversityFor estimating a positive normal mean, Zhang andWoodroofe (2003) as well as Roe and WoodroofePour le problème de l’estimation du paramètre de moyenned’une loi normale, lorsque ce paramètre est borné inférieure-(2000) investigate HPD credible sets associated ment, Zhang and Woodroofe (2003), ainsi que Roe and Woowithpriors obtained as the truncations of non- droofe (2000), considèrent des estimateurs par intervallesinformative priors onto the restricted parameter associés à des lois a priori obtenus comme projections surspace. Namely, they demonstrate attractive fre- l’espace paramétrique de lois a priori non informatives. Noquentistproperties of these procedures. We present tamment, ils en dégagent de belles et intéressantes propriétésand discuss their results before giving various ex- fréquentistes. Nous présentons ces résultats et donnons destensions to other models, and to other situations. généralisations à d’autres modèles et situations.[MS-50]Checking for prior-data conflictVérification de l’existence d’un conflit a priori-donnéesMichael EVANS & Hadas MOSHONOV, University of TorontoInference proceeds from ingredients chosen by theanalyst and data. To validate any inferences drawn,it is essential that the inputs chosen be deemed ap-Toute inférence est faite à partir de données et d’une sélectiond’ingrédients choisis par l’analyste. Pour valider toutrésultat d’inférence, il est essentiel que les intrants choisis

Lundi 13 juin • Monday, June 13, 13:30 – 15:00 77propriate for the data. In the Bayesian context these soient jugés appropriés pour les données. Dans le contexteinputs consist of both the sampling model and the bayésien, ces intrants sont le modèle de vraisemblance etprior. There are thus two possibilities for failure: la densité a priori. Il y a donc deux possibilités d’échec :the data may not have arisen from the sampling les données peuvent ne pas provenir du modèle de vraisemmodel,or the prior may place most of its mass on blance choisi ou la densité a priori peut accorder un poidsparameter values that are not feasible in light of the trop important à des valeurs de paramètres qui semblentdata, referred to here as prior-data conflict. Failure peu probables (voire impossibles) en examinant les données,of the sampling model can only be fixed by modify- menant ainsi à ce que nous appelons un conflit a prioriingthe model while prior-data conflict can be over- données. Un échec du modèle de vraisemblance peut être récomeif sufficient data is available. We examine solu uniquement en modifiant ce modèle tandis qu’un conflithow to assess whether a prior-data conflict exists a priori-données peut être surmonté s’il y a suffisamment deand how to assess when its effects can be ignored données. Nous examinons comment il est possible d’établirfor inferences. The concept of prior-data conflict is l’existence d’un conflit a priori-données et d’évaluer lorsqueseen to lead to a partial characterization of what is l’effet d’un tel conflit peut être négligeable en termes d’infémeantby a noninformative prior or a noninforma- rence. Le concept de conflit a priori-données semble pointertive sequence of priors.vers une caractérisation partielle de ce que doivent être unedensité a priori non-informative et une suite de densités apriori non-informatives.[MS-51]Model selection by cross-validation in linear modelSélection de modèle par validation croisée dans des modèles linéairesHui SHEN & Will WELCH, University of British ColumbiaLa validation croisée (VC) est largement utilisée pour fairede la sélection de modèle. Même si l’idée derrière la mé-thode et l’implémentation sont simples, le choix d’une stra-tégie de validation croisée n’a habituellement pas de réponsesimple. Dans cette présentation, nous comparons la perfor-mance de sélection de modèle pour la VC v-fold et v-foldavec répétition basé sur des modèles linéaires. Nous argu-mentons que la répétition améliore la performance de sélectionde modèle. Le critère que nous utilisons pour sélec-tionner le meilleur modèle est l’erreur quadratique moyen deprévision de validation croisé (EQMPVC) minimum.Cross-validation (CV) is widely used in model selection.Although the idea and the implementationare simple, how to choose an appropriate crossvalidationstrategy usually does not have an easyanswer. In this talk, we will compare model selectionperformance for v-fold CV and repeated v-foldCV based on linear model. We argue that repeatinghelps to improve the model selection performance.The criterion we use to select the best model is minimumCVMSE (cross-validated mean squared predictionerror).Session 03G Lundi 13 juin • Monday, June 13, 13:30 – 15:00 200General Meeting of SSC Accredited members (open)Assemblée générale des membres accredités par la SSC

78 Lundi 13 juin • Monday, June 13, 15:30 – 17:00Session 04A Lundi 13 juin • Monday, June 13, 15:30 – 17:00 241Statistical climatologyClimatologie statistique[MS-52]Use of climate data in a drought reporting system for agricultureUtilisation de données climatiques dans un système de suivi des sécheresses pour l’agricultureAllan HOWARD & Allan HOWARD, Agriculture and Agri-Food Canada, Samuel SHEN, University of Alberta, RalphWRIGHT, Alberta Agriculture Food and Rural DevelopmentDes données sur le climat ont été ramassées depuis plus de100 ans au Canada, cependant peu de stations ont des enre-gistrements constants sur une longue période de temps. Lesstations sont localisées inégalement et le temps de vie opéra-tionnel de celles-ci est inconsistant, ce qui se traduit par unegrande variance autant spatiale que temporelle des enregis-trements climatiques. Pour améliorer l’interprétation des in-dices de sécheresse, des données historiques pour l’Albertaet les endroits environnants ont été interpolées pour déve-lopper une base de données à trois échelles avec des donnéesclimatiques journalières de 1901 à 2002. Les donnéesont été utilisées pour modéliser les conditions d’humidité dusol à long terme et les cycles de précipitations, qui formentla base de plusieurs indices de sécheresse utilisés dans lesystème de suivi des sécheresses de l’Alberta. Nous analysonsprésentement la possibilité d’appliquer cette méthodeau reste du Canada.Climate data has been collected in Canada for over100 years, however few stations have a consistentrecord over a long time period. Station locationsare sparsely distributed and the operational life ofthe stations is inconsistent, resulting in considerabletemporal and spatial variation in the climaterecord. To enhance the interpretation of the droughtindices, historic data for Alberta and the surroundingarea was interpolated to develop datasets at 3scales with daily weather values from 1901-2002.The data was used to model long term soil moistureconditions and precipitation patterns that formthe basis for several drought indices used in the Albertadrought monitoring system. Application ofthis method to the rest of Canada is under review.[MS-53]Estimation of global temperature fields from scattered observations by a spherical-wavelet-based spatiallyadaptive methodEstimation de champs de température globaux à partir d’observations parsemées avec une méthodespatialement adaptative basée sur les ondelettes sphériquesHee-Seok OH, University of AlbertaDans cette présentation, nous considérons le problème del’estimation du champ de température complet pour chaquepoint sur le globe à partir d’observations parsemées de latempérature de l’air observée dans un réseau de stations mé-téorologiques. Les méthodes classiques telles que les har-moniques sphériques et les splines de lissage sphériques nesont pas efficaces pour représenter les données qui ont desstructures multi-échelles inhérentes. Nous présentons uneméthode d’estimation qui possède la capacité de s’adapter àla structure multi-échelle des données. La méthode est baséesur une approche par les ondelettes sphériques récemmentdéveloppée pour la représentation et l’analyse multi-échellede données parsemées. Les estimateurs spatialement adap-This talk considers the problem of estimating theentire temperature field for every location on theglobe from scattered surface air temperatures observedby a network of weather stations. Classicalmethods such as spherical harmonics and sphericalsmoothing splines are not efficient in representingthe data that have inherent multiscale structures.This talk presents an estimation method that has thecapability of adapting to the multiscale characteristicsof the data. The method is based on a sphericalwavelet approach recently developed for multiscalerepresentation and analysis of scattered data. Spatiallyadaptive estimators are obtained by coupling

Lundi 13 juin • Monday, June 13, 15:30 – 17:00 79tatifs sont obtenus en combinant les ondelettes sphériquesavec différentes techniques de seuils (reconstruction sélec-tive). Ces estimateurs sont comparés entre eux selon leuradaptabilité spatiale et leur performance d’extrapolation enutilisant les données de la température de l’air à la surface.the spherical wavelets with different thresholding(selective reconstruction) techniques. These estimatorsare compared for their spatial adaptabilityand extrapolation performance using the surface airtemperature data.[MS-54]Interpolating daily precipitation data and regressional variance correctionInterpolation de données sur les précipitations journalière et correction par régression de la varianceSamuel SHEN, University of AlbertaA hybrid interpolation method, called RVC (regressionalvariance correction), of retaining vari-Une méthode d’interpolation hybride appelé CRV (correctionpar régression de la variance) a été développé par S.S.P.ances and using all the station data was developed Shen, P. Dzikowski, G. Li et D. Griffith [Interpolation ofby S.S.P. Shen, P. Dzikowski, G. Li and D. Grif- 1961-1997 daily climate data onto Alberta polygons of ecofith[Interpolation of 1961-1997 daily climate data district and soil landscape of Canada, J. Applied Meteo. 40,onto Alberta polygons of ecodistrict and soil land- 2162-2177 (2001)]. Cette méthode qui préserve la variancescape of Canada, J. Applied Meteo. 40, 2162- et qui utilise toutes les données des stations est basée sim-2177 (2001)] based upon simple mass conserva- plement sur la conservation de la masse. La méthode effection.The method interpolates the station data onto tue premièrement une interpolation des données provenanta dense network of grid points, then averages the des station sur un réseau dense de points sur une grille, engrid-pointvalues inside polygons, and finally cor- suite moyenne sur la valeurs des points à l’intérieur de porectsthe variance of the polygon data. The moti- lygones et finalement effectue une correction de la variancevation to develop this method was to generate a set des données sur ces polygones. La motivation derrière cetteof daily precipitation data on 149 Ecodistrict Poly- méthode était de générer un ensemble de données sur lesgons in Alberta Province, Canada, from the precip- précipitations journalières pour 149 polygones écodistrictesitation data observed at 927 stations unevenly dis- dans la province d’Alberta au Canada à partir de donnéestributed within the province. The interpolated data observées sur les précipitations dans 927 stations d’obserareused as an input to various soil quality models, vations localisées non uniformément à travers la province.such as EPIC (Erosion/Productivity Impact Calcu- Les données interpolées sont utilisées comme intrants danslator). A key criterion for the precipitation input is plusieurs modèles sur la qualité du sol, tels que EPIC (Erotheprecipitation frequency, i.e., the temporal dis- sion/Productivity Impact Calculator). Un critère clé pour lestribution of precipitation. However, because most intrants sur les précipitations est la fréquence de précipitaofdays in Alberta are sunny and have zero precip- tion, c’est à dire la distribution temporelle des précipitations.itation, the conventionally interpolated data often Cependant, puisque la majorité des journées en Alberta sonthave too low variance in both space and time. Be- ensoleillées et n’enregistrent aucune précipitations, les donforeRVC was developed, a stochastic model, such nées interpolées de manière conventionnelle ont souvent uneas Cligen, was used to generate daily precipitation trop faible variance tant au niveau spatial que temporel.data that have the same mean and variance as the Avant que le CRV soit développé, un modèle stochastique telreal field. However, the randomly generated pre- le Cligen était utilisé pour générer des données sur les précicipitationfield does not precipitate on the same pitations journalières qui ont la même moyenne et la mêmedays as the real field and also cannot generate out- variance que les données réelles. Cependant, le champs deliers, i.e., extreme storms or extremely long period précipitation généré aléatoirement ne prédit pas de précipiofdrought. This talk will explain the RVC method tations aux mêmes jours que le champs réel et ne peut égalefromthe perspective of statistical regression and ment pas générer des valeurs à l’écart, c’est à dire des temdemonstratewhy the interpolated data can fit both pêtes extrêmes ou des longues périodes de sécheresse. Cetteclimate mean and climate variance. The talk will présentation explique la méthode de CRV d’une perspectivealso review several commonly used interpolation de régression statistique et démontre pourquoi les donnéesmethods and their applicability.interpolées peuvent ajuster la moyenne et la variance clima-

80 Lundi 13 juin • Monday, June 13, 15:30 – 17:00tique. Dans l’exposé nous allons également présenter une revuedes plusieurs méthodes d’interpolation utilisées courammentainsi que leurs applications.Session 04B Lundi 13 juin • Monday, June 13, 15:30 – 17:00 214Inference from multiple surveys and multiple frame surveysInférence à partir d’enquêtes multiples et d’enquêtes à cadres multiples[MS-55]Bootstrap variance estimation for multiple frame surveysEstimation bootstrap de la variance pour des sondages à plusieurs basesSharon LOHR, Arizona State University, J.N.K. RAO, Carleton UniversityMultiple frame surveys are increasingly used in situationswhere several sampling frames may providebetter coverage or cost-efficiency for estimatingpopulation quantities of interest. The probabilitysampling designs used to sample from the individualframes must be employed to obtain varianceestimates and confidence intervals for these quantities.We propose two bootstrap methods for estimatingvariances in multiple frame surveys, andderive their properties. A simulation study demonstratessmall-sample properties of the methods.Les sondages à bases multiples sont de plus en plus utilisésdans des situations où plusieurs bases de sondage peuventfournir une meilleure couverture ou bien réduire les coûtspour estimer des quantités d’intérêts dans une population. Leplan d’échantillonnage utilisé pour échantillonner les basesindividuelles doit être utilisé pour obtenir des estimateurs dela variance et des intervalles de confiance pour ces quantités.Nous proposons deux méthodes bootstrap pour estimer lesvariances dans des sondages à bases multiples et nous déri-vons leurs propriétés. Une étude de simulation démontre lespropriétés des méthodes pour de petits échantillons.[MS-56]Dual Frame Calibration for Possibly Dependent Samples under Different sampling DesignsCalibration pour deux bases de sondage avec des échantillons possiblement dépendants sous différents plansd’échantillonnageAvinash SINGH, Statistics Canada, Shiying WU, RTI InternationalAn interesting situation where dependency in samplescould arise is in the context of combining in-Une situation intéressante où l’on peut observer de la dépendancedans des échantillons est lors de la combinaisonformation from the main survey with a follow-up of d’information provenant d’un sondage principal avec cellenonrespondents to the main survey as considered d’un suivi des non répondants comme il a été considéré parby Singh, Iannacchione, and Dever (2003). The Singh, Iannacchione et Dever (2003). Habituellement, lesusual problem of dual frame estimation deals, how- défis lors de l’utilisation de base multiples sont reliés à l’utiever,with independent samples with partial over- lisation d’échantillons indépendants qui se chevauchent parlap,and is considered, among others, by Fuller and tiellement. Ils sont présentés, entre autre, par Fuller et Bur-Burmeister (1972), Skinner and Rao (1996), and meister (1972), Skinner et Rao (1996) et Singh et Wu (1996).Singh and Wu (1996). A simpler problem is that Un problème plus simple est la combinaison d’échantillonsof combining independent samples from a single indépendants provenant d’une seule base ou bien de deuxframe or two frames with complete overlap. The bases qui se chevauchent complètement. L’article de SinghSingh-Wu paper attempts to develop regression cal- et Wu tente de développer des estimateurs de calibration paribration estimators for dual frames. To account for la régression pour deux bases de sondage. Pour tenir comptedifferent designs, they suggested use of inverse rel- des différents plans d’échantillonnage, ils suggèrent l’utiliativeeffective sample size (based on design effects) sation de l’inverse de la taille effective de l’échantillon (baséas scaling factors to differentially weight contribu- sur l’effet du plan) comme facteur d’échelle pour différen-

Lundi 13 juin • Monday, June 13, 15:30 – 17:00 81tions from the two samples in the regression co- tier le poids des deux bases dans le coefficient de régression.efficient. However, an alternative scaling factor Cependant, un autre facteur d’échelle comme mesure de laas a measure of relative effective sample size is taille de l’échantillonn effective relative qui ne dépend pas duneeded without relying on the design effect as the plan est requis, puisqu’il est connu que l’effet du plan n’estdesign effect is known to be unsuitable for the mul- pas adapté au cas multivarié impliquant des variances et destivariate case involving variances and covariances. covariances. Ils suggèrent également une valeur intuitive deThey also suggested an intuitive value of 0.5 as a 0.5 comme facteur de combinaison pour les deux estimateurscombining factor for the two calibration estimators de calibration pour le domaine habituel. Une méthode alterforthe common domain. Here, an alternative but native et objective est requise pour choisir le facteur de comobjectiveway to choose the combining factor is binaison. Les deux limitations mentionnées ci-dessus ont éténeeded. The above two limitations were addressed étudiées récemment par Singh et Wu (2003) en prenant unerecently by Singh and Wu (2003) by taking a new nouvelle approche de calibration pour deux bases qui foncapproachof Dual Frame Calibration which allows tionne également pour des échantillons dépendants. Des réfordependent samples as well. Results of an ex- sultats d’une vaste étude de simulation comparant plusieurstended simulation study comparing various meth- méthodes seront présentés.ods are presented.[MS-57]Empirical likelihood inference for multiple surveys and multiple frame surveysInférence par vraisemblance empirique pour des sondages multiples et des sondages à bases multiplesChangbao WU, University of Waterloo, Jon N.K. RAO, Carleton UniversityWe develop pseudo empirical likelihood (PEL)based estimation methods using data from multiplesurveys and multiple frame surveys. For multiplesurveys, optimal point estimators and PEL ratioconfidence intervals are obtained by using suitablydefined PEL function and the design effects foreach of the involved surveys; for dual frame ormultiple frame surveys, two different approaches,one based on the combined sample and the otherbased on the post-stratified sample, are explored.Comparisons to existing approaches are pursued,both theoretically and empirically.Nous développons une méthode d’estimation basée sur lapseudo-vraisemblance empirique (PVE) en utilisant desdonnées de sondages multiples et de sondage à basesmultiples. Pour les sondages multiples, les intervalles deconfiances pour les estimateurs ponctuels optimaux et le ra-tio de PVE sont obtenus en utilisant une fonction de PVEbien définie et les effets de plans d’échantillonnage pourchaque sondage impliqué. Pour les sondages à deux ou plu-sieurs bases, deux approches différentes sont explorées, lapremière basée sur les échantillons combinés et la deuxièmebasée sur l’échantillon post-stratifié. Nous effectuons descomparaisons théoriques et empiriques avec d’autres approchesexistantes.Session 04C Lundi 13 juin • Monday, June 13, 15:30 – 17:00 200Methodology on missing data in longitudinal studiesMéthodologie pour les données manquantes dans les études longitudinales[MS-58]Semiparametric estimation in general clustered/longitudinal data problemsEstimation semi paramétrique pour des problèmes généraux de données de type groupées longitudinalesXihong LIN, University of Michigan, Raymond CARROLL, Texas A&M UniversityWe consider a wide class of semiparametric problemswith repeated evaluations of a nonparametricfunction, where estimation can be based on aNous considérons une large classe de problèmes semiparamétriquesavec des évaluations répétées d’une fonctionnon paramétrique où l’estimation peut être basée sur un cri-

82 Lundi 13 juin • Monday, June 13, 15:30 – 17:00criterion function such as a likelihood. Special tère fonctionnel tel que la vraisemblance. Les cas spéciauxcases included in our approach include marginal généralisés par notre approche inclus les modèles marginauxmodels for longitudinal/clustered data, conditional pour des données de type groupées longitudinales, la régreslogisticregression for matched case-control stud- sion logistique conditionnelle pour des études de cas témoinsies, multivariate measurement error models, gen- pairées, les modèles d’erreurs de mesures multivariées, leseralized linear mixed models with a semiparamet- modèles linéaires mixtes généralisés avec une composanteric component, and many others. We propose pro- semi-paramétrique et plusieurs autres. Nous proposons desfile and backfitting kernel estimation methods for modèles d’estimation par le noyau de profilage et de backtheseproblems, derive their asymptotic distribu- fitting pour ces problèmes, nous dérivons leurs distributionstions, and show that in likelihood problems the asymptotiques et montrons que dans des problèmes de vraimethodsare semiparametric efficient. While gener- semblance, les méthodes sont semi-paramétriquement efallynot true, with our methods profiling and back- ficaces. Même si ce n’est généralement pas le cas, dansfitting are asymptotically equivalent. We also con- notre méthode, le profilage et le backfitting sont asympsiderpseudolikelihood methods where some nui- totiquement équivalents. Nous considérons également dessance parameters are estimated from a different al- méthodes de pseudo-vraisemblance où des paramètres degorithm. The proposed methods are evaluated us- nuisances sont estimés à partir d’un algorithme différent.ing simulation studies and applied to the Kenya Les méthodes proposées sont évaluées avec des études dehemoglobin data.simulations et appliquées à des données sur l’hémoglobineau Kenya.[MS-59]Semiparametric methods for inferring treatment effects of outcomes defined only if a post-randomizationevent occursMéthodes semi paramétriques pour inférer les effets de traitement sur les résultats qui ne sont pas définis àmoins qu’un évenement de post-aléation se réalise.Yannis JEMIAI, Cytel Software CorporationWe investigate drawing inference, from a randomizedexperiment, about the treatment effect on anoutcome defined only if a post-randomization eventE has occurred. For instance, in an HIV vaccinetrial, viral load can only be measured among thosesubjects who become infected. In such settings,we argue that the only meaningful treatment effectis measured in the subpopulation of subjects whowould experience the event E regardless of treatmentassignment. We show this quantity is nonidentifiablefrom the observed data. As a consequence,we adopt two inferential strategies: 1) weplace sharp bounds on the relevant quantity thatcontain a range of plausible values for it, and 2) wedescribe a set of identifying assumptions extendingwork by Gilbert et al.(2003), which allow us to estimateunder a semiparametric model the treatmenteffect in the relevant subpopulation conditional onbaseline covariates. We develop a class of estimatingequations whose solutions comprise, up toasymptotic equivalence, all consistent and asymptoticallynormal estimators in our model.

Lundi 13 juin • Monday, June 13, 15:30 – 17:00 83[MS-60]A missing data problem arising in orthopedic trials of blood thinnersUn problème de données manquantes dans des essais orthopédiques sur les éclaircisseurs sanguinsRichard COOK & Grace YI, University of WaterlooIn most orthopedic surgeries, patients receive someform of blood thinner to reduce the risk of clotsDans la majorité des chirurgies en orthopédie. Les patientsreçoivent une sorte d’éclaircisseur sanguin pour réduire leduring and after surgery. In a small fraction of risque de caillots après une chirurgie. Dans une petit porcasespatients develop serological responses fol- tion des cas, les patient développent une réponse sérologiquelowing exposure to these blood thinners. Interest suite à l’exposition à ces éclaircisseurs. Il y a un intérêt 1)lies in i) estimating the proportion of patients devel- d’estimer la proportion des patients qui développent une telleoping this serological response, and ii) examining réponse sérologique et 2) d’examiner l’effet d’un séroconvotheeffect of seroconversion on longer term risk of lution sur le risque de complication à long terme. Le défitcomplications. The challenge in addressing these relié à ces question est que les temps de séroconvolution duquestions is that patients’ seroconversion times are patient sont disponibles à travers un plan d’observation duonly available through a current status observation statut courant puisque les échantillons de sang sont prélevésscheme since blood samples are taken only upon seulement après la chirurgie. Dans cet exposé, nous examidischargefollowing surgery. In this talk we will nons l’information disponible pour estimer la proportion deexamine the information available to estimate the patients avec se trait binaire latent (statut de séroconvolufractionof patients with this latent binary trait (se- tion) et discutons des problèmes reliés à l’utilisation de ceroconversion status) and discuss issues surround- trait latent comme prédicteur des résultats à long terme.ing the use of this latent trait as a predictor for longterm outcomes.Session 04D Lundi 13 juin • Monday, June 13, 15:30 – 17:00 133Spatial analysis of survival dataAnalyse spatiale de données de survie[MS-61]Spatial cluster detection for censored dataDétection de clusters spatiaux pour des données censuréesYi LI, Harvard University, Andrea COOK,Numerous methods that have been proposed to testfor spatial clustering. But few have focused on censoreddata. This paper provides an extension of thespatial scan statistic for data with failure time outcomesusing both unstratified and stratified semiparametricmethods. It further proposes a robustclustering detection method that utilizes the principleof cumulative martingale residuals for censoredoutcomes. Application of these methods willbe illustrated by the Home Allergens and Asthmaprospective cohort study looking at the relationshipbetween environmental exposures and allergicreactions such as asthma and allergic rhinitis/hayfever.Plusieurs méthodes ont été proposées pour tester la classificationspatiale, mais peu d’entres elles se sont arrêtées auxdonnées censurées. Cette présentation fournie une extensionà la statistique de balayage spatiale pour des données detemps de vie en utilisant des méthodes semi paramétriquesstratifiées et non stratifiées. Nous proposons ensuite une mé-thode robuste de détection de clusters qui utilise le principede résidus martingales cumulatifs pour des résultats censu-rés. L’application de ces méthodes sera illustrée par l’étudede cohorte prospective sur les allergies et l’asthme qui ana-lyse la relation entre les expositions environnementales etles réactions allergiques telles que l’asthme et les allergiescomme le rhume des foins.

84 Lundi 13 juin • Monday, June 13, 15:30 – 16:45[MS-62]Flexible modelling of spatially varying cure rates for survival dataModélisation flexible pour des données de survie avec des taux de guérison qui varient spatialementSudipto BANERJEE, Freda COONER & Brad CARLIN, University of MinnesotaSurvival models have been and continue to be extremelypopular in analyzing time-to-event data.Les modèles de survie sont et continuent à être extrêmementpopulaires pour analyser des données de temps vie. AvecWith rapid improvements in medical treatment and les améliorations rapides dans les soins de santé et les traihealth-care,survival data reveal a substantial por- tements médicaux auxquels nous assistons, les données detion of patients being cured. Indeed a proper as- survie révèlent souvent une portion substantielle de patientssessment of such data calls for statistical models qui guérissent. Ainsi, une bonne évaluation de telles donthataccount for cure. Classes of survival models, nées requiert des modèles statistiques qui tiennent comptecalled cure rate models, account for the probabil- de la guérison. Des classes de modèles de survie appelés lesity of a subject getting cured. Popular cure models modèles de taux de guérison tiennent compte de la probabicanbe broadly classified into the classical mixture lité qu’un sujet guérisse. Les modèles de guérison populairesmodels of Berkson and Gage (1952) (BG type) or peuvent être grossièrement classifiés parmi les modèles dethe hierarchical classes of Chen, Ibrahim and Sinha mélanges classiques de Berkson et Gage (1952) (type BG)(1999) (CIS type). Our present work proposes a ou parmi les classes hiérarchiques de Chen, Ibrahim et Sinhaunifying class of cure models that facilitates flex- (1999) (type CIS). Nous proposons dans ce travail une classeible hierarchical model-building while incorporat- unifiée de modèles de guérison qui facilite la constructioning possible spatial associations for geographically de modèles hiérarchiques flexibles, tout en incorporant unereferenced survival data. Issues such as regress- corrélation spatiale potentielle pour des données de survieing on the cure fraction and spatial distributions are à référence géographique. Nous discutons de problèmes telsdiscussed. The models are illustrated with survival que la régression sur la fraction de guérison et les distribudatasets from SEER, revealing different underly- tions spatiales. Les modèles sont illustrés avec des jeux deing mechanisms (including spatial) that lead to re- données de survie provenant du SEER qui révèlent des mélapseand cure.canismes sous jacents différents (incluant spatial) menant àla rechute ou la guérison.[MS-63]Survival models for spatial data: a Poisson modelling approachModèles de survie pour des données spatiales : une approche par un modèle de PoissonRenjun MA, University of New BrunswickWe propose a Poisson modelling approach to Survivalmodels with spatially correlated random ef-Nous proposons une approche par un modèle de Poissonpour des modèles de survie avec un effet aléatoire corréléfects. An important feature of this approach is spatialement. Une caractéristique importante de cette apthatthe principal results depend only on the first proche est que les résultats principaux dépendent seulementand second moments of the unobserved random ef- des deux premiers moments de l’effet aléatoire non observé.fects. The orthodox best linear unbiased predic- L’approche orthodoxe du meilleur estimateur linéaire sanstor approach to random effects Poisson modelling biais pour les techniques de modélisation de Poisson avectechniques enables us to justify appropriate consis- effet aléatoire nous permet de justifier une consistance et unetency and optimality. The explicit expressions for optimalité appropriée. L’expression explicite de l’effet aléatherandom effects given by our approach facilitate toire donnée par notre approche facilite l’incorporation d’unincorporation of relatively a large number of ran- nombre relativement grand d’effets aléatoires.dom effects.

Lundi 13 juin • Monday, June 13, 15:30 – 16:45 85Session 04E Lundi 13 juin • Monday, June 13, 15:30 – 16:45 211Dependent data analysisAnalyses des données dépendantes[MS-64]Another method for bootstrapping the arithmetic mean and the median when the observations aredependentUne autre méthode pour faire du bootstrap sur la moyenne arithmétique et la médiane lorsque lesobservations sont dépendantesAberazzak MOUIHA & Nourddine RAIS, Université de Fès, MarocNous proposons une nouvelle méthode de bootstrap baséesur l’approximation d’un processus stationnaire par unechaîne de Markov d’ordre p. Pour des données quelconques,nous estimons l’ordre p par le critère d’Akaike et nous géné-rons un échantillon bootstrap en utilisant les densités de tran-sition du noyau provenant des données. Nous montrons l’ef-ficacité de cette nouvelle méthode pour le cas de la moyennearithmétique. Nous donnons quelques résultats de simula-tions pour comparer la performance de cette dernière aveccelle du bootstrap à blocs mobiles (BBM).We propose a new bootstrap method based on approximatinga stationary process by a pth orderMarkov chain. For a given data, we estimate the orderp via Akaike criterion and we generate a bootstrapsample using the estimated kernel transitiondensities from the data. We show the consistencyof this new method in the case of arithmetic mean.We give some simulations to compare its performancewith the moving-block bootstrap MBB.[MS-65]On approximating the distribution of a statistics for detecting serial correlationSur l’approximation de la distribution d’une statistique permettant la détection de corrélation sérielleDeepak SANJEL,Serge PROVOST & Ian MACNEILL, University of Western OntarioNous discutons de plusieurs approximations de la distributiond’une statistique qui a été proposée par De Gooijer etMacNeill (1999) pour tester la présence de corrélation sé-rielle, à un délai donné, dans les résidus de régression. Il estmontré que les moments de cette statistique, une fois expri-més comme une combinaison linéaire de produits de mo-ments de formes quadratiques, peuvent être évalués en utili-sant une formule récursive ou une méthode computationnellesymbolique. Nous proposons ensuite des approximations dela densité de cette statistique, exprimées en termes de densi-tés bêta et de polynômes de Laguerre. Finalement, les résultatsd’une étude comparative des différentes approximationssont présentés.Several approximations to the distribution of astatistic which was proposed by De Gooijer andMacNeill (1999) to test for the presence of serialcorrelation at a given lag in regression residualsare discussed. It is shown that the moments of thisstatistic, once expressed as linear combinations ofproduct moments of quadratic forms, can be evaluatedby making use of a recursive formula or asymbolic computational methodology. Density approximantsexpressed in terms of beta density functionsand Laguere polynomials are then proposed.Finally, the results of a comparative study of thevarious approximations are presented.

86 Lundi 13 juin • Monday, June 13, 15:30 – 17:00[MS-66]Asymptotic properties of quasi-maximum likelihood estimator of ARMA(P,Q)-GARCH(p,q)Propriétés asymptotiques de l’estimateur du pseudo-maximum de vraisemblance d’un modèleARMA(P,Q)-GARCH(p,q)Pingguo LU & Hao YU, University of Western Ontario(G)ARCH-type time series models have been extensivelyused in economics and finance since En-Les modèles de séries chronologiques de type GARCH ontété intensivement utilisés en économie et en finance depuisgle (1982) and Bollerslev (1986). However, in Engle (1982) et Bollerslev (1986). Cependant, en pratique,practice, the constant conditional mean is often not l’hypothèse d’une moyenne conditionnelle constante n’estvalid. A realistic approach is to fit the data with an souvent pas vérifiée. Une approche réaliste est alors d’ajus-ARMA-GARCH model. In this talk, we show the ter les données à un modèle ARMA-GARCH. Dans cetteasymptotic consistency and normality of the quasi présentation, nous montrons la convergence et la normalitémaximum likelihood estimator (QMLE) for the pa- asymptotique de l’estimateur du pseudo-maximum de vrairametersof an ARMA(P,Q)-GARCH(p,q) model semblance pour les paramètres d’un modèle ARMA(P,Q)-with an arbitrary likelihood kernel. It appears GARCH(p,q) avec un noyau de vraisemblance arbitraire. Ilthat the moment requirements for ARMA errors s’en dégage que les conditions sur les moments de l’erreurand GARCH innovation depend on the choice of ARMA et de l’innovation GARCH dépendent du noyau dethe likelihood kernel. By taking student t likeli- vraisemblance choisi. En considérant des noyaux de typehood kernel, the asymptotic consistency holds with student, la convergence de l’estimateur est obtenue aveconly small positive moments on ARMA errors and l’existence de petits moments de l’erreur ARMA et de l’in-GARCH innovation. The asymptotic normality novation GARCH. La normalité asymptotique est valideholds with finite variance on ARMA errors and any lorsque la variance de l’erreur ARMA est finie et l’innosmallpositive moment on GARCH innovation. For vation GARCH possède n’importe quel moment positif pepureGARCH model with nonzero constant mean, tit. Pour un modèle purement GARCH avec une moyennewe show that the common practice of using sample constante non nulle, nous montrons que la pratique commeanto center financial data is workable.mune d’utiliser la moyenne échantillonnale pour centrer desdonnées financières est exploitable.[MS-67]A consistent test for independence between two infinite order cointegrated seriesTests Convergents d’indépendance de deux séries cointegrées autorégressives d’ordre infiniChafik BOUHADDIOUI, CIRANO, Jean-Marie DUFOUR, Université de MontréalHere, we propose a semiparametric approach fortesting the independence between two infinite-Dans cette présentation, nous proposons une approche semiparamétriquepour tester l’indépendance de deux vecteursorder cointegrated series. We first filter each se- cointégrés autorégressifs d’ordre infini. Nous approximonsries by a finite autoregression. The test statistic chaque processus par une autorégression d’ordre fini. La staisa standardized version of the sum of weighted tistique de test est une version standardisée d’une sommesquares of residual cross-correlation matrices. The quadratique pondérée de matrices de corrélations croiséesweights depend on a kernel function and on a trun- résiduelles. Les poids dépendent d’une fonction de noyau etcation parameter. The asymptotic distribution of d’un paramètre de lissage. La distribution asymptotique dethe statistic test is derived under the null hypothe- la statistique du test est établie sous l’hypothèse nulle. Noussis and its consistency is also established for a fixed montrons la convergence du test sous une classe généralealternative of serial cross-correlation of unknown d’alternatives. Les niveaux de ces tests et leurs puissancesform. A simulation study is presented to investi- sont étudiées par simulation et une application numériquegate the finite sample properties of the proposed est présentée.tests.

Lundi 13 juin • Monday, June 13, 15:30 – 17:00 87Session 04F Lundi 13 juin • Monday, June 13, 15:30 – 17:00 212Methods with applicationsMéthodes et applications[MS-68]Bayesian melding of ozone level measurements and deterministic model outputCombinaison bayésienne de mesures du niveau d’ozone et de résultats de modèles déterministesZhong LIU, James ZIDEK & Nhu LE, University of British ColumbiaThis paper addresses the problem of how to combinemeasurements from monitoring stations andCette présentation traite de la combinaison de mesures destations d’observations et de résultats de modèles détermioutputfrom deterministic models. We propose a nistes. Nous proposons un modèle hiérarchique bayésienBayesian hierarchical model for that purpose. In pour ce problème. Dans ce modèle, nous supposons que lesthe model, both the measurements and modeling mesures et les résultats modélisés sont reliés à un processusoutput are assumed to be related to an unobserved réel sous jacent non observé plus un biais et une erreur aléaunderlyingtrue process plus some bias and ran- toire. Le processus réel sous jacent et les autres paramètresdom error. The underlying true process and other sont estimés par l’échantillonneur de Gibbs et l’algorithmeparameters are estimated via Gibbs sampling and de Metropolis-Hasting. L’inférence sur les estimateurs estMetropolis-Hasting algorithm. The inference of faite par rapport aux échantillons a posteriori.the estimators will be carried out according to theirposterior samples.[MS-69]Spatial temporal analysis of waterborne disease risk as related to climate changeAnalyse spatiale temporelle du risque de maladies d’origine hydrique en relation avec les changementsclimatiquesDaniel GILLIS & John HOLT, University of Guelph, Dominique CHARRON, Public Health Agency of Canada, DavidWALTNER-TOEWS, University of Guelph, Abdel MAAROUF, Environment CanadaLes changements climatiques font de plus en plus partie intégrantede nos vies. Avec les modèles de changements cli-matiques proposés, le Canada peut s’attendre à des change-ments significatifs dans les cycles climatiques et les normessaisonnières. Ce point de départ nous force à accroître nosconnaissances par rapport aux effets des changements clima-tiques sur la distribution spatiale et temporelle des maladiesd’origine hydrique et ainsi déterminer des protocoles de pré-vention et d’actions. Cet exposé traitera des liens entre lesfacteurs climatiques et les risques de maladies déterminéspar une étude cas-témoin d’hospitalisations. Les régions oùl’augmentation du risque est significative selon des simula-tions climatiques micro-échelles seront identifiées.Climate change is a growing facet of our lives.With proposed climate change models, Canada canexpect significant changes to weather patterns andseasonal norms. These departures provide impetusto collect knowledge regarding the effects of climatechange on the spatial-temporal distribution ofwaterborne illness, and to determine preventativeand response protocols. This talk will discuss linksbetween climate factors and the risk of disease asdetermined by a hospitalization Case-control study.Interpolation methods to obtain unobserved climatedata will be discussed. Regions of significant riskincrease as demonstrated via Downscaled climatesimulations will be highlighted.

88 Lundi 13 juin • Monday, June 13, 15:30 – 17:00[MS-70]Frailty modeling of Canadian mortality at advanced agesModélisation de la mortalité canadienne aux grands âgesKirill ANDREEV, Queen’s University,, Robert BOURBEAU, University of MontrealCanadian Mortality Database provides a unique opportunityto study age-specific mortality dynamicsLa base de données sur la longévité canadienne (BDLC) permetd’étudier l’évolution du profil de la mortalité canadiennein Canada on a cohort basis. Death rates have been par âge selon une approche longitudinale. Des taux de mortacomputedfor cohorts 1850–1888 from age 65 up lité ont été calculés pour les générations 1850-1888, à partirto the highest age attended. Rate of mortality in- de l’âge de 65 ans. On constate qu’ux grands âges, la croiscreasedecelerates over age suggesting that frailty sance de la mortalité avec l’âge tend à se ralentir, ce qui rendmodeling might be appropriate. A four parameter pertinent l’tilisation d’un modèle de « fragilité ». Un modèlemodel combining Gompertz baseline hazard and à quatre paramètres alliant la fonction de base de GompertzHougaard-Aalen family of frailty distributions have et une famille de distributions de « fragilité »de Hougaardbeendeveloped and fitted to the age-specific proba- Aalen a été développé et ajusté aux probabilités de décèsbilities of dying. The results suggest that the model selon l’âge. Les résultats suggèrent que ce modèle fournit unfits data better than traditional Gompertz model but meilleur ajustement des données que le modèle traditionnelits interpretation is sometimes difficult. Possible de Gompertz, mais l’interprétation des résultats est parfoisexplanations are provided.difficile. Quelques explications possibles sont avancées.[MS-71]Comparison of Bayesian and frequentist approaches in modelling risk of preterm birth near the Sydney TarPonds, Nova Scotia, CanadaComparaisons des approches bayésiennes et fréquentistes pour modéliser le risque d’accouchementprématuré à proximité du Sydney Tar Pond, Nouvelle-Écosse, CanadaAfisi ISMAILA, Angelo CANTY & Lehana THABANE, McMaster UniversityThis study compares a Bayesian and frequentist approachesin the modelling of the association betweenthe risk of preterm birth and maternal proximityto hazardous waste and pollution from theSydney Tar Pond site in Nova Scotia. In the frequentistapproach, the Poisson model for aggregateddata and weighted linear regression was used.The Poisson model was also fitted using Bayesianhierarchical modeling. The result of the Bayesianmodelling and the frequentist approaches are comparable.The results show that there is no decreasein risk of preterm birth as we move from the TarPond site to other regions.Cette étude compare les approches bayésiennes et fréquentistespour modéliser l’association entre le risque d’accou-chement prématuré et l’exposition à des déchets toxiques etla pollution du site de Sydney Tar Pond en Nouvelle-Écosseau moment de la grossesse. Dans l’approche fréquentiste,le modèle de Poisson pour des données agrégées et la ré-gression linéaire pondérée ont été utilisés. Le modèle dePoisson a également été ajusté à l’aide d’une modélisationbayésienne hiérarchique. Les résultats provenant des deuxapproches sont comparables. Les résultats montrent que lerisque d’accouchement prématuré ne baisse pas lorsqu’onpasse du site de Sydney Tar Pond vers une autre région.[MS-72]Analysis of priorities of patients living with diabetesAnalyse des priorités des patients vivant avec le diabèteHedy JIANG, Lehana THABANE, Anne HOLBROOK, Kalpana NAIR & Lisa DOLOVICH, McMaster UniversityDiabetes is a chronic disease that afflicts more than2 million Canadians. Diabetes care is a challengingprocess that involves self-management activi-Le diabète est une maladie chronique qui touche plus dedeux millions de Canadiens. Le contrôle du diabète est unprocessus difficile qui demande des activités d’auto gestion

Lundi 13 juin • Monday, June 13, 15:30 – 16:15 89incluant le suivi régulier d’indicateurs cliniques de la mala-die, le contrôle de la diète, de l’exercice régulier et des trai-tements avec médication. Le but premier de cette étude estd’identifier les priorités des patients dans le contrôle du dia-bètes et les facteurs associés à ces priorités. Dans cette pré-sentation, nous rapportons les résultats d’une étude à plancroisé où les patients ont complété un questionnaire pourrassembler leurs perceptions sur l’importance, la facilité etla fréquence de leurs activités de prévention et de traitementpour contrôler leur diabète.ties including regular monitoring of clinical diseaseindicators, diet control, regular exercise, and treatmentwith medication. The primary purpose of thisstudy was to identify priorities for diabetes managementfrom the patient’s perspective and factorsassociated with prioritization. In this presentation,we report on the findings of a cross-sectional studywhere patients completed a questionnaire to gathertheir perceptions on the importance, ease and frequencyof their preventative and treatment activitiesfor management of diabetes.[MS-73]The challenge of teaching Biostatistics in a Faculty of MedicineLes défis d’enseigner la biostatistique dans une faculté de médicineAmparo CASANOVA-GURRERA, M. Begoña CAMPOS-BONILLA & Wilma PENZO-GIACCA, Universitat de Barcelona,Wendy LOU, University of TorontoStudents in the Faculty of Medicine at BarcelonaUniversity obtain excellent marks in the old highLes étudiants de la Faculté de médecine de Barcelona Universityprésentent des résultats collégiaux excellents, maisschool curriculum, but show poor knowledge of montrent une faiblesse au niveau des outils algébriques. Enalgebraictools. Teaching Biostatistics requires seigner la biostatistique exige de leur démontrer que desdemonstrating to them that statistical education connaissances statistiques vont améliorer leurs compétenceswill improve their medical competence. The main médicales. L’objectif premier de cette étude est d’identifierobjective of this study is to identify factors that les facteurs qui influent fortement les résultats du test de biostronglyimpact grades in the Biostatistics exam. statistique. Le sexe, les résultats collégiaux, les résultats auGender, high school grades, the results of the Uni- test de classement universitaire, le talent mathématique et leversity’s entrance exam, mathematical skills, and style d’apprentissage préféré de l’étudiant sont analysés. Cesthe students’ preferred learning styles are analyzed. derniers sont évalués à partir d’une modification espagnoleThe last one are evaluated via a Spanish modifi- du Canfield Learning Styles Inventory (1977).cation of the Canfield Learning Styles Inventory(1977).Session 04G Lundi 13 juin • Monday, June 13, 15:30 – 16:15 217Statistical genetics and genomicsStatistique génétique et génomique[MS-74]Selection of a cut-off for differentially expressed genes in the SAM methodSélection d’un seuil pour des gènes à différentes expressions dans la méthode ASMAngelo CANTY, Toronto Hospital for Sick Children and McMaster UniversityThe Significance Analysis of Microarrays (SAM)method is often used to detect differentially expressedgenes in a microarray experiment. Genesare declared to be differentially expressed if the teststatistic is outside of an acceptance region. In mostapplications, this region is defined by the user toLa méthode d’analyse de signification de micro-réseaux(ASM) est souvent utilisée pour détecter des gènes exprimésdifféremment dans une analyse de micro-réseaux. On déclarequ’un gène est exprimé différemment si la statistique de testest à l’extérieur d’une région d’acceptation. Dans la plupartdes applications cette région est définie par l’analyste de ma-

90 Lundi 13 juin • Monday, June 13, 15:30 – 16:15balance the number of genes declared differentiallyexpressed and the estimated false positive rate. Inthis talk I will present a method of automaticallychoosing the cut-off points for this region by examiningthe curvature of the plot of observed teststatistics against their expected values under a permutationdistribution.nière à balancer le nombre de gènes qui sont déclarés commeétant exprimé différemment et le taux de faux positif estimé.Dans cet exposé, je vais présenter une méthode automatiséepour sélectionner le seuil pour cette région en examinant lacourbure du graphique de la statistique de test en fonction desa valeur espérée sous une distribution de permutation.[MS-75]A mixture model approach to background correction for cDNA arraysApproche par mélange de modèles pour la correction du fond de réseaux d’ADN complémentairesMary LESPERANCE & Edward CHANG, University of Victoria, Karissa JOHNSTON, University of British Columbia,Carmen BAILEY & Caren HELBING, University of VictoriaOne of the features of DNA arrays is that somebackground intensity will be detected around geneUne des caractéristiques des réseaux d’ADN est qu’une intensitéde fond est détectée autour des points de sonde duprobe spots as a result of low-level, non-specific gène en résultat de l’hybridation à bas niveau non spécifiquetarget DNA hybridization. Scanning software at- de l’ADN ciblée. Les logiciels de balayage tentent d’estitemptsto estimate this background intensity from mer cette intensité de fond à partir des régions autour de cesthe regions surrounding these spots. Tradition- points. Traditionnellement, cette estimation locale de l’inally,this estimated local-background intensity is tensité de fond est soustraite de l’intensité mesurée au pointsubtracted from the intensity measurement (fore- et l’intensité de la cible résultante est utilisée comme estimagroundintensity) of the spot and the resulting tar- tion de la quantité d’ADN cible hybridée au point de sondeget intensity is used as an estimate of the amount du gène. Une des difficulté avec cette approche est qu’il estof target DNA hybridized to the gene probe spot. possible d’obtenir des intensités cibles négatives. En pra-One difficulty with this approach is that negative tique, les lectures négatives sont souvent rejetées du jeu detarget intensities may result – in practice, the nega- données et des analyses. Cependant, il se peut que ce soittive readings are often discarded from the dataset ces niveaux d’expressions qui soient intéressants dans uneand further analysis. Yet, it is these seemingly étude donnée, spécialement dans les expériences où le niweakexpressors that may be of interest in a given veau d’expression varie dans le temps ou selon la condition.study, especially in experiments where expression Nous proposons une approche par mélange de modèles pourlevels vary over time or condition. We propose a la correction de fond qui stipule des hypothèses réalistes.mixture model approach to background correctionwhich embodies realistic assumptions.[MS-76]A survey of analyses of age-at-onset data in human genetics researchSondage des méthodes d’analyses de l’âge au début de l’invalidité en recherche sur la génétique humaineHaydar SENGUL, University of SaskatchewanL’âge du début de l’invalidité dû à une maladie s’est avéréêtre un des facteurs les plus important dans l’étude de mala-dies humaines complexes, et ce dernier requiert une attentionardue. Même si la variabilité dans l’âge du début de l’inva-lidité rend l’étude de maladies humaines complexes compli-quée, incorporer l’âge au début de l’invalidité dans l’analysepeu résulter en un meilleur ajustement du modèle pour dé-terminer les effets génétiques et/ou environnementaux. Étantcorrélé à l’intérieur d’une famille et dû aux problèmes deAge at disease onset has turned out to be one ofthe most important factors in the study of somecomplex human diseases, which requires substantiveattention. Even though the variability in theage at disease onset makes the study of complexhuman diseases complicated, incorporating age-atonsetdata into the analysis of complex human diseasesmay result in a better model fit in determininggenetic and/or environmental effect. Being corre-

Lundi 13 juin • Monday, June 13, 17:00 – 18:30 91censure, il est crucial de développer des techniques d’ana-lyses appropriées pour inclure l’âge au début de l’invaliditéde manière à ce que la maladie humaine complexe soit saisie.Dans cette étude, nous allons regarder toutes les méthodesqui intègrent l’âge au début de l’invalidité dans le contextedes analyses de liaisons et d’associations génétiques. Nousallons également présenter notre méthode qui est basée surune version de la régression à effet mixte de taux de panneproportionnel.lated within families and due to the problem of censoring,it is very crucial to develop appropriate dataanalysis techniques taking into account the age-atonsetdata that will make it possible to comprehendcomplex human diseases. In this study, we will surveyall the methods, which take into account ageat-onsetdata, used in the context of genetic linkageand association analyses, and present our methodthat is based on a version of mixed-effects proportionalhazards regression.Session 04H Lundi 13 juin • Monday, June 13, 17:00 – 18:30 214NSERC WorkshopAtelier du CRSNGSession 05 Mardi 14 juin • Tuesday, June 14, 09:00 – 10:30 241Gold Medal AddressAllocution de la Médaille d’or[MS-77]Correlation random fields, brain connectivity, and cosmologyChamps de correlation aléatoires, connectivité de cerveau, et cosmologieKeith WORSLEY, McGill UniversityThe correlation random field is the ’image’ of correlationsat all possible pairs of points in two setsLe champ aléatoire de corrélation est l’image des corrélationsà toutes les paires possibles de points dans deux enofimages. We are interested in the topology of sembles d’images. Nous sommes intéressés par la topolothe(random) set of high correlations, more specif- gie de l’ensemble (aléatoire) des corrélations élevées, plusically, the Euler characteristic. We apply this to spécifiquement, la caractéristique d’Euler. Nous nous applinetworksof fMRI images of brain activity, and to quons ceci aux réseaux des images de fMRI d’activité deconnections between MS lesions and cortical thick- cerveau, et aux raccordements entre les lésions de scleroseness. Similar methods are used in cosmology to en plaques et l’épaisseur corticale. Des méthodes semblableslook for large-scale structure in the universe, and sont employées dans la cosmologie pour rechercher la strucanomaliesin the cosmic microwave background. ture à grande échelle dans l’univers, et des anomalies dansWe apply this to the latest results from the Sloan le fond cosmique de micro-onde. Nous nous appliquons ceciDigital Sky Survey and the Wilkinson Microwave aux derniers résultats de Sloan Digital Sky Survey et de Wil-Anisotropy Probe.kinson Microwave Anisotropy Probe.

92 Mardi 14 juin • Tuesday, June 14, 11:00 – 12:30Session 06A Mardi 14 juin • Tuesday, June 14, 11:00 – 12:30 133Bayesian model selectionSélection de modèles bayesiens[MS-78]Feature selection in model-based analysis of functional dataSélection de caractéristiques dans l’analyse paramétrique de données fonctionnellesMarina VANNUCCI, Texas A&M UniversityIn this talk I will describe methodologies forBayesian modelling of functional data that incorpo-Dans cette présentation je décrirai des méthodes de modélisationbayésienne de données fonctionnelles permettant l’exratefeature extraction. Practical applications will traction de caractéristiques. Ces méthodes seront appliquéesbe classification problems that involve functional à des problèmes de classification qui impliquant des prédicpredictors.Wavelet methods will be used for di- teurs fonctionnels.mension reduction. Probit models and Bayesian Des méthodes d’ondelettes seront utilisées pour réduire lamethods will allow the simultaneous classification dimensionalité du problème. Des modèles probits et des méofthe samples as well as the selection of the dis- thodes bayésiennes permettront simultanément de classifiercriminating features of the data. Applications will les échantillons et de sélectionner les caractéristiques disinvolvespectral data. In mass spectrometry, for ex- criminantes. Les applications impliquent des données specample,the identification of peaks related to a spe- trales. En spectrométrie de la masse par exemple, l’identificificoutcome, i.e. peaks that discriminate samples cation de pics reliés à un résultat spécifique, comme les picsor that predict a clinical response, is of interest. permettant la discrimination ou prédisant une réponse cli-Other practical contexts will come from chemo- nique, est d’intérêt. D’autres contextes pratiques viendrontmetrics studies that explore the possibility of using d’études chémométriques qui explorent la possibilité d’uti-NIR spectra to classify samples. In all examples liser des spectres NIR pour classifier des échantillons. Danswe will find that very small sets of features lead to tous les exemples considérés, nous verrons que de très petitsgood classification results.ensembles de caractéristiques mènent à de bons résultats entermes de classification.[MS-79]Bayesian concept-varying feature selection for classification with partially labelled dataSélection bayésienne de caractéristiques selon le concept pour la classification de données partiellementétiquetéePaul GUSTAFSON, University of British ColumbiaIt is well known that Bayesian methods are goodat preventing overfitting. Both the use of shrinkagepriors to downweight some variables, and theuse of Bayesian model averaging to eliminate somevariables, have been well-studied in the literature.Most of this work, however, is in the context of regressionmodelling to do supervised learning. Inthis talk we discuss modelling and computationalissues that arise when applying these techniques tosemi-supervised or unsupervised learning scenarios.We particularly emphasize the idea that withmany classes, a subset of variables useful in identifyingitems from one class might differ from aIl est bien connu que les méthodes bayésiennes sont efficacespour prévenir la sur-modélisation. L’utilisation de den-sités a priori de rétrécissement pour enlever du poids à cer-taines variables et l’utilisation de modèle bayésien pour éli-miner des variables ont été très étudiées dans la littérature.La majeure partie de ces travaux est faite dans le contexte dela régression pour faire de l’apprentissage supervisé. Danscette présentation, nous discutons des problèmes de modéli-sation et d’informatiques qui surviennent lorsqu’on appliqueces techniques à des scénarios d’apprentissage semi supervi-sés ou non supervisé. Nous mettons un emphase particuliersur l’idée qu’avec plusieurs classes, un sous ensemble de va-riables qui identifie bien les éléments d’une classes peu être

Mardi 14 juin • Tuesday, June 14, 11:00 – 12:30 93subset useful for a different class. Ideas are illustratedin the context of an object-recognition problemfrom machine learning.bien différent de celui utile pour discriminer les élémentsd’une autre classe. Nous illustrons les idées dans le contextede la reconnaissance d’objets avec des algorithmes d’apprentissage.[MS-80]Model selection for geostatistical modelsSélection de modèle pour des modèles géostatistiquesAndrew MERTON, Jennifer HOETING & Richard DAVIS, Colorado State University, Sandra THOMPSON, PacificNorthwest National LabNous considérons le problème de sélection de modèle pourdes données géospatiales. La corrélation spatiale est sou-vent ignorée pour la sélection de variables explicatives etceci peut influencer les résultats de la sélection de modèle.L’inclusion ou l’exclusion de certaines variables explicativespeut ne pas être apparent lorsqu’on ignore la corrélation spa-tiale. Nous considérons le critère d’information d’Akaike(AIC) appliqué au modèle géostatistique. Nous donnons unedérivation heuristique du critère AIC dans ce contexte et pré-sentons des résultats de simulations qui montrent que l’utili-sation du critère AIC pour un modèle géostatistique est supé-rieure à l’approche usuelle qui ignore la corrélation spatialepour la sélection de variables explicatives.We consider the problem of model selection forgeospatial data. Spatial correlation is often ignoredin the selection of explanatory variables and thiscan influence model selection results. The inclusionor exclusion of particular explanatory variablesmay not be apparent when spatial correlationis ignored. We consider the Akaike InformationCriterion (AIC) as applied to a geostatisticalmodel. We offer a heuristic derivation of the AICin this context and provide simulation results thatshow that using AIC for a geostatistical model issuperior to the often used traditional approach ofignoring spatial correlation in the selection of explanatoryvariables.Session 06B Mardi 14 juin • Tuesday, June 14, 11:00 – 12:30 217Extensions of policy-relevant analytical methods for complex survey dataExtensions des méthodes analytiques dépendant des politiques pour les données d’enquêtescomplexes[MS-81]A comparison of latent variable modeling approaches in social science research: A Monte Carlo simulationand an illustration using data from youth in transition surveyComparaison des techniques de modélisation de variables latentes en recherche en sciences sociales : unesimulation de Monte Carlo et une illustration en utilisant des données d’un sondage sur les jeunes entransitionIrene LU, York UniversityL’étude des relations entre des variables latentes est standarden recherche en sciences sociales. Cette présentation passeen revue deux approches pour analyser une régression de va-riables latentes : une approche en deux étapes avec des scoresd’échelle de régression et une approche combinée de la théo-rie de réponse aux items et de la modélisation d’équationsstructurelles (IRT-SEM). Une simulation de Monte Carlo esteffectuée pour quantifier et comparer le biais des estimés derégression pour les deux approches. Les différentes proprié-The study of the relationships among latent variablesis very common in social science research.This presentation reviews two approaches for analyzinglatent variable regression: a two-step approachfeaturing regression scale scores, and acombined Item Response Theory and StructuralEquation Modeling (IRT-SEM) approach. A MonteCarlo simulation is conducted to quantify and comparethe bias in regression estimates for the two ap-

94 Mardi 14 juin • Tuesday, June 14, 11:00 – 12:30proaches. The different bias properties of the twomethods will also be illustrated using data fromYouth In Transition Survey (YITS).tés de biais des deux méthodes sont également illustrées àpartir des données du sondage sur les jeunes en transition(YITS).[MS-82]Bivariate density estimation from a longitudinal complex survey: example of testing for temporal associationof job loss and divorce using SLIDEstimation d’une densité bivariée à partir d’un sondage longitudinal complexe : exemple de test pourl’association temporelle entre la perte d’emploi et le divorce en utilisant l’EDTRNorberto PANTOJA GALICIA & Mary THOMPSON, University of Waterloo, Milorad KOVACEVIC, Statistics CanadaThe relationship between job loss and divorce is atopic of interest among the social scientists. Thelongitudinal data from the Survey of Labour andIncome Dynamics (SLID) gives the possibility toapproach this issue in a variety of ways. Dates ofchanges of the marital status (with associated typeof change) as well as dates of employment can beobtained for a longitudinal person in a six yearspanel. For a person who is employed and marriedlet T1 and T2 be the times of losing a job and becomingdivorced respectively. A formal nonparametrictest for a partial order relationship proposedby Thompson and Pantoja Galicia (2002) requiresestimation of the joint density for T1 and T2. Thistest is modified to account for complexities of thesample design, and to allow the observed times-toeventsto be interval censored.La relation entre la perte d’emploi et le divorce est un sujetqui suscite beaucoup d’intérêt chez les sociologues. Lesdonnées longitudinales provenant de l’Enquête sur la dynamiquedu travail et du revenu (EDTR) donnent la possibilitéd’aborder cette question de plusieurs manières différentes.Les dates de changement de statut social (avec les types as-sociés) ainsi que les dates concernant l’emploi peuvent êtreobtenues pour une personne sur un panel de six ans. Pourune personne mariée avec un emploi, établissons T 1 et T 2 lestemps respectifs de la perte d’emploi et du divorce. Un testnon paramétrique formel pour un relation d’ordre partielle aété proposé par Thompson et Pantoja Galicia (2002) mais re-quiert l’estimation de la densité conjointe pour T 1 et T 2 . Letest que nous proposons est modifié pour tenir compte de lacomplexité du plan d’échantillonnage et pour permettre auxtemps jusqu’aux événements d’être censurés par intervalle.[MS-83]Some advances in the use of marginal models with data from a longitudinal survey having a complex designQuelques avancements dans l’utilisation des modèles marginaux avec des données provenant d’un sondagelongitudinale avec un plan complexeQunshu REN, Carleton UniversityMany longitudinal surveys are being conductedby government agencies to provide data for an-Plusieurs sondages longitudinaux sont effectués par desagences gouvernementales pour fournir en données desalytic studies. At Statistics Canada, longitudi- études analytiques. À Statistique Canada, les sondages lonnalsurveys on health, child development, labour, gitudinaux sur la santé, le développement des enfants, leetc. now have available several cycles of data travail, etc ont présentement plusieurs cycles de donnéeson the same samples. Since the complexity of dans les mêmes échantillons. Puisque la complexité du planthe survey designs induces cross-sectional depen- d’échantillonnage induit une dépendance trans-sectionnelledencies as well as dependence over time, analyti- ainsi qu’une dépendance dans le temps, les méthodes anacalmethods for non-survey longitudinal data must lytiques pour de données longitudinales ne provenant pasbe modified for use with survey data. This pa- de sondages doivent être modifiées pour être utilisées surper will show some advances in appropriate meth- des données de sondage. Cet article illustre quelques avanodsfor using marginal models (sometimes called cements dans les méthodes appropriées pour utiliser lespopulation-average models) with survey data. As- modèles marginaux (également appelé modèles populationsessinggoodness-of-fit, using bootstrap variance moyenne) avec des données de sondage. Nous discutons

Mardi 14 juin • Tuesday, June 14, 11:00 – 12:30 95également de l’évaluation de l’ajustement du modèle en uti-lisant l’estimation bootstrap de la variance et en utilisantle rapport de cote comme mesure d’association dans le casd’une réponse binaire avec modèle de régression logistiquemarginal. La méthode sera illustrée avec des données provenantdu sondage national sur la santé de la population(SNSP).estimation and using the odds ratio as a measureof association will all be discussed in the case ofbinary responses and marginal logistic regressionmodels, and will be illustrated using data from theNational Population Health Survey (NPHS).Session 06C Mardi 14 juin • Tuesday, June 14, 11:00 – 12:30 214Statistical genomics: New platforms, new data, new analysis methods for high-throughputexperimentsLa génomique statistique : Nouvelles plateformes, nouvelles données, nouvelles méthodesd’analyse pour les expériences à haut débit.[MS-84]Statistical methods for the analysis of tissue microarray data.Méthodes statistiques pour analyser des données de micro-réseaux de tissusSteve HORVATH, University of California, Los AngelesTissue microarrays (TMAs) are a new high-throughputtool for the study of protein expression pat-Les micro-réseaux de tissus (MRT) sont des nouveaux outilsà hauts résultats pour étudier les patterns d’expressionsterns in tissues and are increasingly used to evalu- des protéines dans les tissus et sont utilisés de plus en plusate the diagnostic, prognostic importance of tumor pour évaluer l’importance du diagnostique et du pronostiquebiomarkers. TMA data are rather challenging. Co- de bio-marqueurs de tissus. Les données de MRT sont unvariates are either ordinal variables (range 0-4) or challenge. Les covariables sont soient des variables ordinaleshighly skewed percentages. Tumor marker expres- (niveaux 0 à 4) ou des pourcentages fortement asymétriques.sion values are usually highly correlated. Since it Les valeurs d’expression des marqueurs de tumeurs sont haisstandard practice in the TMA community to use bituellement fortement corrélées. Puisqu’il est pratique stancut-offvalues for tumor marker expression values, dard dans la communauté des MRT d’utiliser des valeursit is natural to apply tree-based methods. We de- de seuils pour les valeurs d’expressions des marqueurs describe different supervised and unsupervised learn- tumeurs, il est naturel d’appliquer des méthodes d’arboresingmethods based on survival trees and random cence. Nous décrivons différentes méthodes d’apprentissageforests (Breiman 2001). We describe a novel strat- supervisés et non supervisés basées sur les arbres de survieegy (random forest clustering) for tumor profiling et les forêts aléatoires (Breiman 2001).based on tissue microarray data. Random forest Nous décrivons une nouvelle stratégie (classification de foclusteringis attractive for tissue microarray and rêts aléatoires) pour le profilage de tumeurs basé sur des donotherimmunohistochemistry data since it handles nées de micro-réseaux de tissus. La classification de forêtshighly skewed tumor marker expressions well and aléatoires est attrayante pour les MRT et d’autres donnéesweighs the contribution of each marker according immuno-histochimies puisqu’elle supporte bien des exprestoits relatedness with other tumor markers. This sions de marqueurs de tumeurs fortement asymétriques etis the first tumor class discovery analysis of renal pondère la contribution de chaque marqueur selon sa relationcell carcinoma patients based on protein expression avec d’autres marqueurs de tumeurs. Ceci est la premièreprofiles.classe d’analyse de découverte de tumeurs pour des patientsavec carcinome des cellules rénales basée sur le profil d’expressiondes protéines.

96 Mardi 14 juin • Tuesday, June 14, 11:00 – 12:30[MS-85]Genomic databases and microarray data: One statistician’s approach at integration.Bases de données génomiques et données de microréseaux : l’approche d’un statisticien pour l’intégrationRafal KUSTRA, University of TorontoThe success of Statistical Genomics will depend onour ability to incorporate into our modelling, externalinformation about the biological processesand other domain knowledge of the field. Althoughthe challenge is not unique to Statistical Genomics,it has a specific meaning and importance due tofew factors. With high-dimesional data, we needto control the variance by reducing the complexityof model space. Other factor is the availabilityof relevant information in public databases. Inthis talk we will discuss our approaches in incorporatingGeneOntology data structure in analysisof microarray data. Initial results indicate that incorporatingthe information about the relationshipsof biological processes of known genes, may be aneffective variance-controlling device.Le succès de la génomique statistique dépend de notre habiletéà incorporer dans nos modèle de l’information externesur les processus biologiques et des connaissances provenantde d’autres domaines sur le sujet. Même si le défi n’est pasunique à la génomique statistique, il a une signification etune importance spécifique à cause de certains facteurs. Und’entre eux est qu’avec des données à haute dimension, nousdevons contrôler la variance en réduisant la complexité del’espace du modèle. Un autre facteur est la disponibilité d’in-formation utile dans les bases de données publiques. Danscette présentation, nous discutons de notre approche pourintégrer la structure de données GeneOntology dans les ana-lyses de microréseaux. Les résultats initiaux montrent quel’incorporation d’information sur les relations des processusbiologiques de gènes connus peut être une bonne approchepour contrôler la variance.Session 06D Mardi 14 juin • Tuesday, June 14, 11:00 – 12:30 200Computer network modelingModélisation de réseaux informatiques[MS-86]Regret and convergence bounds for continuum-armed banditsManque à gagner et frontière de convergence pour le problème du " Continuum-Armed Bandits "Eric COPE, UBC Sauder School of BusinessNous considérons le problème de renforcement d’apprentissagepar récompense immédiate avec un ensemble d’actionscontinues, également connu sous le nom de problème du"Continuum-Armed Bandits". Les bornes inférieures sur letaux de croissance du manque à gagner ainsi que les bornessupérieures sur les taux de convergence des valeurs contrôlesvers l’optimum sont dérivées. Nous caractérisons explicite-ment la dépendance de ces taux de convergence sur le tauxminimal de variation de la fonction de récompense moyennedans un voisinage du contrôle optimal. Les frontières deconvergence peuvent être utilisées pour démontrer l’optima-lité asymptotique de la méthode d’approximation stochas-tique de Kiefer-Wolfowitz par rapport à une grande classede fonctions de récompenses moyennes potentielles.We consider immediate-reward reinforcement learningproblems with continuous action sets, alsoknown as “continuum-armed bandit problems.”Both lower bounds on the growth rate of the regretas well as upper bounds on the rates of convergenceof the control values to the optimum arederived. I explicitly characterize the dependenceof these convergence rates on the minimal rate ofvariation of the mean reward function in a neighborhoodof the optimal control. The bounds canbe used to demonstrate the asymptotic optimalityof the Kiefer-Wolfowitz method of stochastic approximationwith regard to a large class of possiblemean reward functions.

Mardi 14 juin • Tuesday, June 14, 11:00 – 12:30 97[MS-87]Real-time origin-destination matrix estimation from partially observed packet/vehicle trajectoriesEstimation de matrices origine-destination en temps réel à partir de trajectoires de paquets ou véhiculespartiellement observéesJaimyoung KWON, Cal State East Bay, Pravin VARAIYA, University of California BerkeleyAccurate and timely information on Origin-Destination Une information précise et rapide sur les matrices de trafic(OD) traffic matrices is critical in engineering tasksorigine-destination (OD) est critique en ingénierie desfor both computer and transportation networks. réseaux informatiques et les réseaux de transport. L’obser-Observing OD traffic matrices directly is practi- vation directe des matrices de trafic OD est pratiquementcally impossible and they have been estimated ei- impossible. Elles ont été estimées soit par échantillonnagether from survey sampling or link counts data using ou par des données de compte de liaisons en utilisant desmethods such as network equilibrium, gravity, or méthodes telles que l’équilibre de réseau, la gravité ou desdistribution-assignment models. We consider a rel- modèles d’assignation de distributions. Nous considérons unatively novel data type, partially observed packet type de données relativement nouveau : des trajectoires deor vehicle trajectories. We develop Method of Mo- paquets ou véhicules partiellement observées. Nous dévement(MM) algorithm for estimating time-varying loppons un algorithme par la méthode des moments (MM)OD matrices from such data in real time. Estimator pour estimer en temps réel des matrices OD variables danserrors are calculated either from asymptotic ap- le temps à partir de telles données. L’erreur d’estimation estproximation or bootstrap. Simulation study shows calculée soit à partir d’approximations asymptotiques ou dethat the proposed estimator and standard errors esti- simulations bootstrap. Nous montrons par une étude de simatesperform well for small and simple networks. mulations que l’estimateur proposé et l’estimation de l’écart-Recently, such partially observed vehicle trajecto- type performe bien pour des réseaux simples et petits. Rériesdata for transportation network became avail- cemment, de telles données partiellement observées de traablefrom electronic toll collection (ETC) infras- jectoires de véhicules pour des réseaux de transport sont distructurein San Francisco Bay Area, called FasTrak. ponible, provenant de postes de paysage électroniques (PPE)The algorithm is applied to these data successfully appelé FasTrak dans la région de San Francisco. L’algotoderive hourly OD matrices. Non-trivial exten- rithme est appliqué avec succès à ces données pour obtenirsion of the algorithm to larger and more complex des matrices OD horaires. Nous discutons également d’unenetworks is also discussed.extension non triviale de l’algorithme pour des réseaux plusgros et plus complexes.[MS-88]Flexicast network tomographyTomographie de réseaux à diffusion flexibleGeorge MICHAILIDIS, Lawrence EARL & Nair VIJAYAN, University of MichiganEstimation of quality of service parameters, such aspacket loss rates and delay distributions, is of considerableimportance to network administrators andservice providers. We consider the active networktomography problem where the goal is to estimatepacket loss rates and delay distributions of all internallinks in a network from measurements obtainedfrom nodes located on its periphery. This is an exampleof a large-scale statistical inverse problem.We provide a brief review of the literature, includingunicast and multicast probing schemes and introducea class of new probing schemes, that areshown to be computationally efficient for collect-L’estimation de la qualité de paramètres de service, tels queles taux de pertes de paquets et la distribution des délaisest d’une grande importance pour les administrateurs de ré-seaux et les fournisseurs de services. Nous considérons leproblème de tomographie de réseaux actifs où le but est d’es-timer les taux de pertes de paquets et la distributions desdélais de tous les liens internes d’un réseau de mesures obte-nues des nœuds situés sur sa périphérie. Ceci est un exempled’un problème statistique inverse à grande échelle. Nous effectuonsune brève revue de la littérature, incluant les plansde vérifications de diffusions individuelles et de multidiffu-sions et nous introduisons une classe de nouveaux plans devérifications qui sont efficaces informatiquement pour col-

98 Mardi 14 juin • Tuesday, June 14, 11:00 – 12:30lecter les données nécessaires dans des problèmes de suivide réseaux globaux. Plusieurs méthodes d’estimations pourles taux de pertes et les distributions des délais seront dé-crites, incluant l’utilisation de l’algorithme EM pour l’esti-mateur du maximum de vraisemblance et plusieurs classesd’estimateurs des moindres carrés pour les taux de pertes.Nous discuterons également de problèmes théoriques et pra-tiques par rapport au plan d’expériences de vérifications surdifférentes topologies de réseaux et des résultats d’études desimulations.ing the necessary data in global network monitoringproblems. Several methods of estimation forloss rates and delay distributions will be described,including the use of EM-algorithms for the MaximumLikelihood estimators and several classes ofleast-squares estimates for loss rates. Theoreticaland practical issues regarding the design of probingexperiments on different network topologiesand results from simulation studies will also be discussed.Session 06E Mardi 14 juin • Tuesday, June 14, 11:00 – 12:30 241Statistics in cancer, AIDS, and other medical researchesStatistique pour le cancer, le SIDA, et autres recherches médicales[MS-89]Early detection of disease and the scheduling of examinationsDétection rapide de maladies et calendrier des examensMarvin ZELEN, Harvard University and the Dana-Farber Cancer Institute, Sandra LEE & Hui HUANG, Dana-FarberCancer InstituteSpecial examinations exist for many chronic diseasesthat can diagnose the disease while it isIl existe des examens spéciaux pour plusieurs maladies chroniquesqui peuvent diagnostiquer cette maladie lorsqu’elleasymptomatic with no signs or symptoms. The est asymptomatique avec aucun symptôme. Les examensexaminations are usually characterized by the age sont souvent caractérisés par l’âge pour commencer l’exatobegin the special exams and the spacing between men spécial et le délai entre les examens subséquents. Lasubsequent examinations. The earlier detection of détection plus rapide d’une maladie peut mener à un plusdisease may lead to more cures or reduced mortal- grand nombre de traitements possibles ou bien réduire laity. This possibility has lead to public health pro- mortalité. Cette possibilité a mené à la mise sur pieds degrams which recommend that populations (usually programmes de santé publique qui recommandent à la popudefinedby age or risk status) follow a schedule of lation (habituellement définie par l’âge ou le statut de risque)periodic exams in order to detect specific chronic de suivre un calendrier d’examens périodiques pour détecterdiseases; e.g., cancer, diabetes, cardiovascular dis- des maladies chroniques spécifiques, par exemple le cancer,eases, etc. Such examination schedules, when em- le diabète, des maladies cardiovasculaires, etc. De tels cabeddedin a public health program, are invariably lendriers d’examens lorsqu’ils font partie d’un programmecostly. The possible candidate number of examina- de santé publique, sont invariablement coûteux. Le nombretions is so large that it is not feasible to carry out possible d’examens est tellement grand qu’il n’est pas posclinicaltrials in order to identify optimal sched- sible d’effectuer des essais cliniques pour identifier les caules.Instead this problem may be investigated by lendriers d’examens optimaux. Au lieu de cela, ce problèmedeveloping theoretical models that can predict the peut être investigué en développant des modèles théoriqueseventual disease mortality for different examination qui peuvent prédire la mortalité éventuelle dû à la malaschedules.We have developed a stochastic model die pour différents calendriers d’examens. Nous avons déforthis purpose. The model assumptions assume veloppé un modèle stochastique pour cela. Les hypothèsesthat the natural history of the disease is progressive du modèle supposent que l’histoire naturelle de la maladieand that any benefit from earlier diagnosis is due est progressive et que les avantages d’un diagnostique ratoa change in the distribution of disease stages at pide sont dû à un changement dans la distribution des nidiagnosis.The model is general and can be applied veaux de la maladies au moment du diagnostic. Le modèleto any disease that satisfies the model assumptions. est général et peut être appliqué à n’importe qu’elle maladie

Mardi 14 juin • Tuesday, June 14, 11:00 – 12:30 99The model is applied to breast cancer screening. qui satisfait les hypothèses du modèle. Le modèle est appli-We address the: (1) benefit of screening women qué au dépistage du cancer du sein. Nous adressons : (1) lesin the age group 40–49 (currently there is contro- avantages de suivre les femmes de 40 à 49 ans (il y a présenversyover benefit in this age group), (2) schedules tement de la controverse sur les avantages de dépister dansfor women ages 40–79, (3) schedules for women ce groupe d’âge), (2) le calendrier pour les femmes de 40 à50–79 for which there is general agreement about 79 ans, (3) le calendrier pour les femmes de 50 à 79 pourbenefit and (4) schedules for women at elevated lesquelles il y a un accord général sur les avantages et (4)risk. We also investigate schedules with which are le calendrier pour les femmes à risque élevé. Nous investistaggeredaccording to age. This may be important guons également les calendriers qui sont décalés en fonctionfor diseases in which the risk increases with age. de l’âge. Ceci peut être important pour les maladies dont lerisque augmente avec l’âge.[MS-90]Analysis of censored survival data with high-dimensional covariatesAnalyse de données de survie censurées avec plusieurs covariablesJian HUANG, University of Iowa, Shuangge MA, University of WashingtonAnalysis of censored survival data with a largenumber of covariates is an important practicalL’analyse de données de survie censurées avec un grandnombre de covariables est un problème pratique important,problem, especially now microarrays that can as- spécialement depuis que les études de micro-réseaux pousaytens of thousands of genes are becoming a rou- vant évaluer des dizaines de milliers de gènes sont devenuestine tool in the studies of various types of cancers des outils communs pour l’étude de divers types de cancersand and many other diseases. How to associate et plusieurs autres maladies. L’association des données d’exgeneexpression data with clinical outcomes such pressions de gènes avec des résultats cliniques tels que laas patients’ survival and identify important genes survie du patient et l’identification de gènes importants ouor clusters of genes that are functionally related de groupes de gènes qui sont fonctionnellement reliés prépresentsa class of interesting and challenging prob- sente une classe de problèmes et des défis intéressants enlems in survival analysis. We propose using the analyse de survie. Nous proposons d’utiliser la méthode degradient search method of Friedman and Popsecu recherche par le gradient de Friedman et Popsecu (2004)(2004) in the context of ridge regression for vari- dans le contexte de la méthode de régression ridge pour laable selection, parameter estimation, and predic- sélection de variables, l’estimation des paramètres et la prétion.This method can be applied to a wide range of vision. Cette méthode peut être appliquée à une vaste gammesurvival analysis models including the Cox model, de modèle de survie incluant le modèle de Cox, le modèle dethe accelerated failure time mode, and the additive temps de vie accéléré et le modèle de taux de panne additif.hazards model. We use simulations and two ex- Nous utilisons des simulations et deux exemples pour illusamplesto illustrate the application of the proposed trer l’application de la méthode proposée. Ceci est un travailmethod. This is joint work with Dr. Shuangge Ma. conjoint avec Dr. Shuangge Ma.[MS-91]Probability distributions in infectious disease transmission models and risks of major outbreaksDistributions de probabilité pour des modèles de transmission de maladies infectieuses et risquesd’épidémies majeuresPing YAN, Public Health Agency of CanadaWhen an infectious agent enters a susceptible populationof size n, with probability p, the outbreakof a disease terminates with few cases and the outbreaksize as a proportion, f , concentrates at zerofor large n. With probability 1−p, the initial growthUn agent infectieux entre dans une population de taille n.Avec probabilité p, l’épidémie d’une maladie se termineavec quelques propagations et la taille de l’épidémie à uneproportion f , qui converge vers zéro pour un grand n. Avecprobabilité 1−p, la croissance initiale du nombre d’individus

100 Mardi 14 juin • Tuesday, June 14, 11:00 – 12:30infectés dans le temps peut être approximée par une loi ex-ponentielle de taux r et la taille de l’épidémie par un nombren f . N est le nombre d’infections produites par un individuinfecté à travers sa période de contagion. Cette présentationdonne des modèles pour Pr{N = n} et compare p et r sousplusieurs hypothèses pour le processus ponctuel de contacts,la probabilité de transmission et la distribution de la périodede contagion.of infected individuals over time may be approximatedby an exponential rate r and the outbreaksize as a number, n f , scales linearly with n, whilef > 0. N is the number of infections produced byan infective individual throughout its infectious period.The talk presents models for Pr{N = n} andcompares p and r under various assumptions on thepoint process for contacts, the transmission probabilityand the infectious period distribution.Session 06F Mardi 14 juin • Tuesday, June 14, 11:00 – 12:30 211Statistics and financeStatistique et finance[MS-92]Missing and incomplete data in financeDonnées manquantes et incomplètes en financeDon MCLEISH & Joe DICESARE, University of WaterlooDans un certain sens, toutes les bases de données en financeimpliquent des données manquantes. Mise à part les donnéesmanquantes évidentes, effacées ou erronées, les séries chro-nologiques financières sont souvent observées à des périodesde temps discrètes, on peut considérer que le prix des actionset des obligations peut être établi seulement lors d’une vente,il y a des longues périodes de temps où les marchés sont fer-més, du moins dans notre partie du globe et il y a toujoursdes variables (hauts et bas, prix de d’autres indices) reliéesau problème qui ne sont pas collectées ou non utilisées. Parexemple, quand un marché est fermé, l’information prove-nant des autres marchés peut permettre l’imputation des don-nées manquantes. Il y a cependant peu de travaux effectuéssur l’utilisation des techniques de données manquantes pourdes séries chronologiques financières. Dans cette présenta-tion, nous étudions l’utilisation de techniques telles l’impu-tation, la simulation et certaines autres techniques pour esti-mer les paramètres d’un processus de diffusion et pour fairede l’inférence.In a sense, every data-set in finance involves missingdata. Apart from the obvious, missing, deleted,or erroneous values, financial time series are oftenobserved only at discrete time points, stock andbond prices may be considered as established onlywhen a sale takes place; there are long periods oftime when markets are closed, at least in our part ofthe world; and there is always covariate information(highs and lows, prices of other instruments)related to the problem at hand that that is either notcollected, or collected and not used. For examplewhen one market is closed, other markets are usefulcovariates relevent to “filling in” the missing observations.There is, however, little work on the use ofmissing data techniques for financial time series. Inthis talk, we investigate some of the uses of imputation,simulation and other techniques to estimateparameters in a diffusion and to conduct inference.[MS-93]Self-financing in a fractional Brownian motion marketAutofinancement dans un marché de mouvement brownien fractionnelDonna SALOPEK, University of New South WalesIn this talk, we discuss the various definitions ofself financing in a fractional Brownian motion marketand their implications.Dans cette présentation, nous discutons des différentes définitionsd’autofinancement dans un marché de mouvementbrownien fractionnel et de leurs implications.

Mardi 14 juin • Tuesday, June 14, 11:00 – 12:30 101Session 06G Mardi 14 juin • Tuesday, June 14, 11:00 – 12:30 212EstimationEstimation[MS-94]Minimum Hellinger distance estimation for a nonparametric mixture modelEstimation à distance d’Hellinger minimale pour un mélange de modèles non paramétriquesRohana KARUNAMUNI & Jingjing WU, University of AlbertaNous considérons le problème qui consiste à estimer uneproportion de mélange p dans un mélange non paramétriquede la forme pF(x) + (1 − p)G(x), où F et G sont des dis-tributions inconnues. Nous supposons que des données pro-venant des deux distributions F et G ainsi que du mélangepF(x) + (1 − p)G(x) sont disponibles. Dans cet article, nousdéveloppons un estimateur à distance d’Hellinger minimalepour p. DesS propriétés théoriques telles l’existence, l’effi-cacité et la normalité asymptotique de l’estimateur sont ana-lysées.We consider the problem of estimating a mixtureproportion p in a nonparametric mixture of theform pF(x) + (1 − p)G(x), where F and G are unknowndistributions. We assume that data from thetwo distributions F and G as well as from the mixturepF(x)+(1− p)G(x) are available. In this paper,we develop a minimum Hellinger distance estimatorof p. Theoretical properties such existence, consistencyand asymptotic normality of the estimatorare investigated.[MS-95]Nonparametric estimation of mixing proportion and component distributions in multivariate mixturesEstimation non paramétrique de la proportion de mélange et distributions des composantes dans desmélanges multivariésReza PAKYARI, Australian National UniversityIn this paper, we propose a novel nonparametric estimationmethod in multivariate mixtures. We considerthe nonparametric estimation of the mixingproportion and the component distribution functionsin two-term multivariate mixture models. Ourmethod is based on solving simultaneous equations,involving sub-populations, that arise from amultivariate mixture model under the assumptionof independent marginals. We show that the proposedestimators are root-n consistent. The numericalproperties of the estimators are also studied usingMonte Carlo simulations. This is a joint workwith Peter Hall at Australian National University.Dans cet article, nous proposons une nouvelle méthode d’estimationnon paramétrique pour les mélanges multivariés.Nous considérons l’estimation non paramétrique de la pro-portion de mélange et la distribution des composantes dansdes mélanges de modèles multivariés à deux termes. Notreméthode est basée sur la solution d’équations simultanéesimpliquant des sous populations, qui proviennent d’un mé-lange de modèles multivariés sous l’hypothèse de marginalesindépendantes. Nous montrons que les estimateurs proposéssont efficaces au sens de la racine d’ordre n. Les proprié-tés numériques des estimateurs sont également étudiées enutilisant des simulations de Monte-Carlo. Ceci est un projetconjoint avec Peter Hall de l’Australian National University.[MS-96]Second-order least-squares estimation in nonlinear regressionMoindres carrés du second ordre en régression non-linéaireAlexandre LEBLANC & Liqun WANG, University of ManitobaIn the context of nonlinear regression, ordinaryleast-squares estimation (OLS) is based on minimizationof the squared distance of the responseDans un contexte de régression non-linéaire, l’estimation parla méthode des moindres carrés ordinaires (MCO) est baséesur la minimisation du carré de la distance entre la variable

102 Mardi 14 juin • Tuesday, June 14, 11:00 – 12:30indépendante et son espérance conditionnelle étant donnéla variable prédictive. Nous généralisons cette méthode enconsidérant aussi le carré de la distance entre le carré de lavariable indépendante et son deuxième moment condition-nel. En ne faisant aucune hypothèse paramétrique sur la dis-tribution des erreurs aléatoires, la convergence presque sûreet la normalité asymptotique de cet estimateur des moindrescarrés du second ordre (MCS) sont obtenues. Finallement,les propriétés asymptotiques de l’estimateur MCS sont com-parées à celles du très populaire estimateur MCO.variable from its conditional mean given the predictorvariable. We extend this method by also consideringthe squared distance between the squaredresponse variable and its second conditional moment.Under no parametric distributional assumptionsfor the random error, the strong consitencyand asymptotic normality of the resulting secondorderleast-squares (SLS) estimator are established.Finally, the asymptotic properties of the SLS estimatorare compared with those of the widely usedOLS estimator.[MS-97]Estimating simple linear regression model parameters using two-stage ranked set sampling schemesEstimation des paramètres d’un modèle de régression linéaire simple en utilisant un plan d’échantillonnageen deux phases d’ensembles ordonnésElies KOUIDER, Mohammed EL-SAIDI, Michael COOPER & Nathaniel TYMES, Ferris State UniversityPour estimer les paramètres d’un modèle de régression linéairesimple lorsqu’il y a des réplications, l’échantillon-nage d’ensembles ordonnés ainsi que l’échantillonnage pardouble ensembles ordonnés ont été utilisés et favorisés pourleurs avantages par rapport aux statistiques d’ordres clas-siques d’un échantillon aléatoire simple. Dans cette pré-sentation, nous introduisons des plans d’échantillonnageen deux étapes d’ensembles ordonnés et nous obtenons lemeilleur estimateur linéaire sans biais du modèle de ré-gression linéaire simple pour différents cas. De plus, à titred’illustration, nous appliquons les méthodes proposées etrapportons le gain substantiel en efficacité lorsque la distri-bution sous jacente de l’erreur est soit normale ou Laplace.For estimating the parameters of a simple linear regressionmodel when replications exist, the rankedset sampling as well as the double ranked set samplinghave been used and favored for their advantageover the classical order statistics of a simplerandom sample. In this paper, we introduce twostageranked set sampling schemes and we derivethe best linear unbiased estimators of the simplelinear regression model for different cases. Additionally,as an illustration, we apply the proposedmethods and report the substantial gain in efficiencieswhen the underlying distribution of the errorterms is either normal or Laplace.[MS-98]A multivariate genralization of the Hodges-Lehmann estimatorGénéralisation multivariée de l’estimateur de Hodges-LehmannShojaeddin CHENOURI, Carleton UniversityThe Hodges-Lehmann estimator is a very wellknownand well-explored robust and efficient estimateof location in one sample univariate problems.In this talk we shall introduce a multivariate generalizationof the Hodges-Lehmann estimator and deriveits asymptotic normality using the U-processapproach. We shall show that this multivariate generalizationis robust as well.L’estimateur de Hodges-Lehmann est bien connu commeétant un estimateur de position robuste et efficace, qui aété grandement exploré pour des problèmes à un échantillonunivarié. Dans cet exposé nous introduisons une généralisa-tion multivariée de l’estimateur de Hodges-Lehmann et nousdérivons la normalité asymptotique en utilisant l’approchepar processus-U. Nous montrons que la généralisation mul-tivariée est également robuste.

Mardi 14 juin • Tuesday, June 14, 13:30 – 15:00 103[MS-99]Estimation of regression parameters: Parallelism restrictionsEstimation des paramètres de régression : restrictions de parallélismeBashir KHAN, Saint Mary’s University, A.K. Md. E SALEH, Carleton UniversityIn this paper, we consider two regression models.Our problem is the estimation of slope and inter-Dans cette présentation, nous considérons deux modèles derégression. Notre problème consiste en l’estimation des vecceptvectors of Modle I, when it is apriori sus- teurs de pente et d’ordonné à l’origine pour le modèle I,pected that slops of the two models may be equal. lorsque l’on suspecte a priori que les pentes des deux mo-We propose five estimators namely; unrestricted, dèles peuvent être égales. Nous proposons cinq estimateursrestricted, preliminery test, James-Stein type and soient : non restreint, restreint, test préliminaire, de typethe positive version of James-Stein estimators for James-Stein et la version positive des estimateurs de Jamestheestimation of the slope and intercept vectors of Stein pour l’estimation du vecteur de pente et d’ordonné àModel I. The quadratic bias functions, mean square l’origine du modèle I. Les fonctions de biais quadratiques,error matrices and risk functions of the proposed les matrices d’erreurs quadratiques moyennes et les foncestimatorsare derived. We study the properties of tions de risque des estimateurs proposés sont dérivées. Nousthese estimators and do their comparison with clas- étudions les propriétés de ces estimateurs et les compasicalestimator through mean square error matrices rons avec des estimateurs classiques à travers des critèresand quadratic risk functions criteria.de matrices d’erreur quadratique moyenne et de fonctions derisque quadratique.Session 07A Mardi 14 juin • Tuesday, June 14, 13:30 – 15:00 133Statistics and technologyStatistique et technologie[MS-100]Statistics and technologyStatistique et technologieJerry LAWLESS, University of WaterlooStatistics has long been used for technological purposessuch as acceptance sampling, process improvementand reliability. More recent examplesinclude fraud detection, risk scoring and biometricprofiling. This talk will review the history ofstatistics in technology and make some general observationsbased on the premise that technologicalproblems involve learning about systems and processesthrough experimentation or data collection,and making decisions or predictions that have economicconsequences. The relevance of statisticalmodels and inference, computation, and educationwill be discussed, using illustrations from a varietyof areas.Les statistiques ont longtemps été utilisées pour des finstechnologiques tels que l’échantillonnage d’acceptation,l’amélioration des processus et la fiabilité. Des exemplesplus récents inclus la détection de fraudes, la gestion durisque et le profilage biométrique. Cette présentation passeen revue l’histoire des statistiques en technologie et présentedes observations générales basées sur l’hypothèse que lesproblèmes technologiques impliquent un apprentissage surles systèmes et les processus à travers des expérimentationsou la cueillette de données et une prise de décisions ou pré-dictions qui ont un impact sur l’économie. La validité desmodèles statistiques et l’inférence, le calcul informatiqueet l’éducation seront discutés en utilisant des illustrationsprovenant de plusieurs domaines.

104 Mardi 14 juin • Tuesday, June 14, 13:30 – 15:00Session 07B Mardi 14 juin • Tuesday, June 14, 13:30 – 15:00 212Limit theoremsThéorèmes limites[MS-101]Some remarks on the law of large numbersQuelques remarques sur la loi des grands nombresAllan GUT, Uppsala UniversityThe basic form of the law of large numbers statesthat the arithmetic mean of a sequence of independent,identically distributed random variablesconverges almost surely if and only if the meanis finite, in which case the limit is the mean. Inthis talk we provide a number of results aroundthis law; results concerning convergence rates,complete convergence, convergence along subsequences,weighted averages, random variables withmultidimensional indices, with random indices,and so on.La forme de base de la loi des grands nombre stipule quela moyenne arithmétique d’une séquence de variables aléa-toires indépendantes et identiquement distribuées convergepresque sûrement si et seulement si la moyenne est finie, etdans ce cas la limite est la moyenne. Dans cet exposé, nousprésentons un certain nombre de résultats sur cette loi. Desrésultats concernant la vitesse de convergences, la conver-gence complète, la convergence le long de sous suites, laconvergence des moyennes pondérées dans le cas où les va-riables ont des indices multiples, des indices aléatoires, etainsi de suite.[MS-102]Some new LIL type results for variables with infinite varianceDe nouveaux résultats de type LIL pour des variables avec variance infinieUwe EINMAHL, Vrije Universiteit Brussels, Deli LI, Lakehead UniversityNous présentons un résultat de type LIL très général pourdes sommes normalisées de variables aléatoires iid. Notrerésultat implique le résultat LIL de Hartman-Wintner etKlass, mais peut également être appliqué dans plusieursautres situations, spécialement pour des variables iid avecune distribution symétrique donnée par la fonction de den-sité p(x) = 1/|x| 3 , |x| > 1. Cet exemple a été considéré parplusieurs auteurs, mais il ne semble pas avoir de normalisa-tion concrète connue menant vers un comportement LIL.We present a very general LIL type result for normalizedsums of iid random variables. Our resultimplies the LIL results of Hartman-Wintner andKlass, but can also be applied in many other situationsespecially for iid variables with a symmetricdistribution given by the density functionp(x) = 1/|x| 3 , |x| > 1. This example has been consideredby several authors, but there seems to be noconcrete norming sequence known leading to LILbehavior.Beside this example we look at the questionwhen one has LIL behavior for normalized sumsS n / √ nh(n) where h is a slowly varying function.Under an additional mild assumption on the functionh we obtain a necessary and sufficient conditionfor this to happen, thereby showing that theclassical Hartman-Wintner LIL is a special case ofa much more general result.À part cet exemple, nous regardons la situation lorsqu’ona un comportement LIL pour des sommes normaliséesS n / √ nh(n), où h est une fonction qui varie lentement. Sousune faible hypothèse additionnelle sur la fonction h, nous obtenonsune condition nécessaire et suffisante pour obtenir cecomportement, montrant ainsi que la LIL Hartman-Wintnerest un cas spécial d’un résultat beaucoup plus général.

Mardi 14 juin • Tuesday, June 14, 13:30 – 15:00 105[MS-103]Tail behaviour of weighted sums of random variablesComportement des queues d’une somme pondérée de variables aléatoiresUlrich STADTMUELLER, University of UlmConsider a sequence of iid random variables (X k ), Considérerons une suite de variables aléatoires iid (X k ), unea sequence or an infinite matrix of weights (p n,k ) suite ou une matrice infinie de poids (p n,k ) et la somme parandthe related partial sums T n = ∑ k p n,k X k . We tielle reliée T n = ∑ k p n,k X k . Nous sommes intéressé auare interested in the tail behaviour of these sums. comportement des queues de ces sommes. Dans le cas oùIn case exponential moments exist, we find a more les moments exponentiels existent, nous trouvons un prinorless explicit large deviation principle, in case cipe de grandes déviations plus ou moins explicite et dansof weaker moment assumptions various versions of le cas d’hypothèses plus faibles sur les moments, plusieursBaum-Katz-type theorems are appropriate. We will versions de théorèmes de type Baum-Katz sont appropriées.present versions of such results for (T n ) and we will Nous présentons des versions de tels résultats pour (T n ) etstudy in particular weights coming from summabil- nous étudions en particulier les poids provenant de la somity.mabilité.Session 07C Mardi 14 juin • Tuesday, June 14, 13:30 – 15:00 241Statistical methodology in clinical trial designMéthodologie statistique dans la planification d’essais cliniques[MS-104]A sequential procedure that stops clinical trials without later reversal of the early conclusionUne procédure séquentielle qui arrête un essai clinique sans renverser une conclusion précoceXiaoping XIONG, St. Jude Children’s Research Hospial, Ming TAN, University of Maryland Greenebaum CancerCenter, James BOYETT, St. Jude Children’s Research HospitalLes investigateurs peuvent être préoccupés par les conclusionsde tests intérimaires dans des essais cliniques parcequ’elles sont faites à partir d’un échantillon de plus petitetaille et qu’elles pourraient changer si l’étude n’avais pas étéarrêtée et que les conclusions avaient été tirées à partir del’échantillon complet. Pour surpasser cette préoccupation,le test progressif du rapport des probabilités conditionnelles(TPRPC) possède la propriété que lorsqu’une conclusion estfaite avant la fin de l’étude, il est peu probable que cette der-nière soit renversée si l’étude est continuée pour la durée pla-nifiée au départ. Le test donne de bonnes raisons pour arrêterune étude avant la date prévue, c’est à dire que si l’étude estpoursuivie à terme, l’ajout de données de changerait pas lesconclusions. Nous allons illustrer la procédure du TPRPCbasée sur le mouvement Brownien avec des applications auxessais cliniques avec différents temps d’arrêts.Investigators may concern about the conclusion oftest from interim analysis in clinical trials, as theconclusion was drawn with smaller sample size andmight be changed to contrary if the trial were notstopped but continued to the end of trial at whichthe conclusion were facilitated with full samplesize. To deal with this concern, the sequential conditionalprobability ratio test (SCPRT) is equippedwith a property that a conclusion made at earlystopping is unlikely to be reversed if the trial werenot stopped but continued to the planned end. Itprovides good reason to stop a trial early: i.e., ifthe trial were not stopped as it should, then addingmore data and continuing the trial by the plannedend would not change the conclusion. We will illustratethe SCPRT procedure based on Brownianmotion with applications to clinical trials with differentdata endpoints.

106 Mardi 14 juin • Tuesday, June 14, 13:30 – 15:00[MS-105]Confirmatory non-inferiority studies for binary outcomesÉtudes confirmatoires de non infériorité pour des résultats binairesZhengqing LI, PfizerDans les essais cliniques qui tentent de comparer l’efficacitéd’un nouvel antibiotique versus un traitement standard,le point final d’efficacité est typiquement le taux de guérisonau moment de la visite où l’on vérifie cette guérison. Dansune telle étude, on doit effectuer un test de non inférioritépour pouvoir établir l’efficacité du nouveau traitement. Danscette présentation, nous discutons des approches statistiquesqui sont habituellement utilisées pour planifier et analyser detelles études. De plus, nous comparons deux méthodes pourconstruire des intervalles de confiance pour des analyses denon infériorité à l’aide de simulations. Nous donnons éga-lement quelques guides pratiques pour les individus respon-sables de l’analyse des données de telles études.In clinical trials comparing the efficacy of a newantibiotic versus a standard treatment, the primaryefficacy endpoint is typically the cure rate at thetest of cure visit. In such a study, one needs to performa non-inferiority test in order to establish theefficacy of the new treatment. In this presentation,we will discuss statistical approaches that are commonlyused in designing and analyzing such studies.In addition, we will compare two methods forconstructing confidence intervals in non-inferiorityanalyses using simulations. Some practical guideto individuals responsible for the analysis of datafrom such trials will be provided.[MS-106]Sample size determination for testing the mean of skewed distributionDétermination de la taille de l’échantillon pour tester la moyenne de distributions asymétriquesJianrong WU, St. Jude Children’s Research HospitalSi le résultat principal d’un essai est une réponse lognormaleasymétrique et si l’objectif principal est de tes-ter la moyenne des réponses, alors nous faisons face à unproblème de détermination de la taille de l’échantillon. Cependant,le détail du calcul de la taille de l’échantillon pourtester la moyenne d’une variable log-normale n’est présente-ment pas répertorier dans la littérature. Cela est dû en partieà l’absence d’une statistique de test. Le but premier de cetterecherche est de développer quelques statistiques de testsqui sont presque des tests exacts et qui peuvent servirent à ladétermination de la taille de l’échantillon.If the primary outcome of a trial is a skewed lognormalresponse and the primary objective of thetrial is to test the mean of the response, one faceto determine the required sample size for the trial.However, the sample size calculation for testing themean of a log-normal variable is not still availablein the literature. This is partly because of absenceof a satisfied test statistic. The primary goal of thisresearch is to develop some test statistics which arenearly exact tests and can be severed as for the samplesize determination.Session 07D Mardi 14 juin • Tuesday, June 14, 13:30 – 15:00 200Applications of mixture models in genetic linkage analysisApplication des mélanges de modèles en analyse de liaison génétique[MS-107]Genetic analysis of ordinal traitsAnalyse génétique de traits ordinauxHeping ZHANG & Rui FENG, Yale UniversityLes mécanismes génétiques sont sous jacents à plusieurs maladieset conditions humaines. Les méthodes d’analyses gé-nétiques existantes requièrent que les maladies ou les condi-Genetic mechanisms underlying many human diseasesand conditions. The existing genetic analysismethods require, however, that the diseases or con-

Mardi 14 juin • Tuesday, June 14, 13:30 – 15:00 107ditions must either be dichotomized or measured tions soient dichotomiques ou mesurées par un trait quanbya quantitative trait such as blood pressure for titatif, tel que la pression artérielle pour l’hypertension parhypertension. In the latter case, normality is gener- exemple. Dans ce dernier cas, la normalité est généralementally assumed for the trait. On the other hand, many supposée pour le trait. D’un autre côté, plusieurs maladiesdiseases and conditions are rated on ordinal scales et conditions sont notées sur une échelle ordinale tel quesuch as cancer and mental and behavioral condi- le cancer et les conditions mentales et comportementales.tions. Our objective is to establish a framework Notre objectif est d’établir un cadre pour conduire des anatoconduct genetic analysis for ordinal traits. We lyses génétiques pour des traits ordinaux. Nous proposons etproposed and exploited a latent variable, propor- utilisons une variable latente, un modèle logistique de cotetional odds logistic model that relates inheritance proportionnelle qui relie des patterns d’héritage à la distripatternsto the distribution of the ordinal trait. I bution du trait ordinal. Je vais présenter des simulations etwill present simulation studies and real examples to des exemples réels pour démontrer que la puissance du modemonstratethat the power of our proposed model dèle que nous proposons pour détecter des effets génétiquesto detect genetic effects was substantially higher est substantiellement plus élevée que pour d’autres modèlesthan other methods based on binary traits. I will basés sur des traits binaires. Je vais également présenter lesalso present statistical challenges for understanding défis statistiques pour comprendre les distributions asymptheasymptotic distributions of some test statistics totiques de quelques statistiques de tests et également pourand for computing the statistics.calculer ces statistiques.[MS-108]Likelihood ratio tests for mixture models with applications to genetic linkage analysisTests du ratio de vraisemblance pour des modèles de mélanges avec des applications aux analyses de liaisonsgénétiquesYongzhao SHAO, Jing HAN & Mengling LIU, New York University, Wenbin LU, North Carolina State UniversityLes analyses de liaisons et d’associations génétiques sont desétapes cruciales pour identifier les marqueurs qui sont asso-ciés à une maladie. La détection des liaisons génétiques àpartir d’analyses de vraisemblance de modèles de mélangesa reçu beaucoup d’attention pour plusieurs raisons. Une desraisons est que l’identification de gènes de maladies doit sou-vent surpasser plusieurs problèmes pratiques, incluant l’hé-térogénéité génétique pour laquelle les outils statistiques lesplus naturels sont les modèles de mélanges finis. Une autreraison est que le test de ratio de vraisemblance (TRV) a servicomme un seuil de référence pour les analyses de liaisonsclassiques, cependant le TRV pour des mélanges de modèlesa longtemps été vu comme non standard et compliqué. Danscette présentation, nous allons présenter quelques dévelop-pements récents concernant les analyses de liaisons et d’as-sociations basées sur la vraisemblance.Genetic linkage and association analyses are crucialsteps toward identifying genetic markers thatare associated with the disease. Detecting geneticlinkage via likelihood analysis of mixture modelshas received enormous attention due to several reasons.One reason is identifying disease genes oftenmust overcome many practical challenges, includinggenetic heterogeneities for which the most naturalstatistical tools are finite mixture models. Anotherreason is the likelihood ratio test (LRT) hasserved as a benchmark of classical linkage analysis;however, the LRT for mixture models has longbeen known as non-standard and complicated. Inthis talk we will present some recent advances concerninglikelihood based linkage and associationanalysis.[MS-109]On using quadratic risk to select high dimensional modelsUtilisation du risque quadratique pour sélectionner des modèles à haute dimensionSurajit RAY, University of North Carolina at Chapel Hill and SAMSI, Bruce LINDSAY, Pennsylvania State UniversityCet exposé résume des résultats sur l’utilisation de la distancequadratique comme fonction de perte pour l’estima-tion du risque. Le risque est alors utilisé pour sélectionner leThis paper summarizes the results on using thequadratic distance as the loss function of the riskestimate. This risk is then used for selecting the

108 Mardi 14 juin • Tuesday, June 14, 13:30 – 14:45most parsimonious model among the competing modèle le plus parcimonieux parmi les modèles concurrents.models. Although this tool can be applied to any Même si cet outil peut être appliqué à n’importe quel scémodelselection scenario, in this paper we use risk nario de sélection de modèles, nous regardons le cas où lesfunctions to select the number of components in fonctions de risque sont utilisées pour sélectionner le nombrea multivariate mixture model. Moreover, using de composantes dans un mélange de modèles multivariés. Dedifferent tuning parameters for the quadratic ker- plus, en utilisant différents paramètres d’ajustements pour lenels we can analyze a dataset at several levels of noyau quadratique, nous pouvons analyser un jeu de donsmoothness.Further, we show that the quadratic nées à plusieurs niveaux de lissage. Nous montrons égaleriskcan be decomposed into model-lack-of fit and ment que le risque quadratique peu être décomposé en coûtsparameter estimation cost. Finally, using a similar du manque d’ajustement du modèle et d’estimation des paraideasas the Mallow’s C p in the context of variable mètres. Finalement, en utilisant une idée similaire au C p deselection, we select the model which achieves ei- Mallow dans le contexte de la sélection de variable, nous sétherthe lowest estimated risk or achieves nearly lectionnons le modèle qui a soit le plus petit risque estimé ouzero model lack of fit. The risk-based tool was qui a presque aucun manque d’ajustement au modèle. L’ouappliedto find the number of clusters in a gene- til basé sur le risque est appliqué au problème de trouver leexpression data (Chitikala et al; Molecular Cell; nombre de grappes pour des données d’expression de gènes2002) , which came from an experiment that was (Chitikala et al ; Molecular Cell ; 2002) provenant d’une exdesignedto investigate the genome-wide interplay périence conçue pour analyser les échanges au niveau du géofseveral TBP (TATA binding protein)-interacting nome complet de la levure pour plusieurs inhibiteurs TBPinhibitors in the yeast genome.(TATA binding protein) interagissant.Session 07E Mardi 14 juin • Tuesday, June 14, 13:30 – 14:40 214Case Study 1: Antidepressant Medication and Stability in SeniorsAnalyse de cas 1 : Sur les antidépresseurs et la stabilité chez les personnes âgées[MS-110]Presentation of the data setPrésentation du jeu de donnéesAmy PETERS, Centre for Studies in Aging at Sunnybrook and Women’s College Health Sciences CentreFalls and hip fracture are important sources of morbidityand mortality in the geriatric population.Les chutes et les fractures des hanches sont des sourcesconsidérables de morbidité et de mortalité dans la popu-Several studies have identified antidepressant med- lation gériatrique. Plusieurs études ont identifié les médiicationsas a risk factor. In a recent study, healthy caments antidépresseurs comme facteur de risque. Dans uneolder adults were assigned to one of four treatment étude récente, des adultes âgés en santé ont été assignés dansgroups (one of three antidepressant medications or quatre groupes (trois groupes avec médicaments antidépresplacebo)and were assessed at three time points for seurs et un groupe placebo) et ils ont été évalués à troistheir static and dynamic balance.moments différents leur équilibre statique et dynamique.Teams of students will present their analyses of theresulting data. Statistical issues that may be ad- Des équipes d’étudiants présenteront leur analyse des dondressedinclude a small sample size (17 subjects), nées résultantes. Certains des problèmes statistiques quievidence of non-compliance, missing values, and peuvent être discutés sont la petite taille de l’échantillonthe large number (more than 1500) of potential out- (17 sujets), certaines évidences de non conformité, les vacomevariables.leurs manquantes et le grand nombre de variables d’analysespotentielles (plus de 1500).

Mardi 14 juin • Tuesday, June 14, 13:30 – 14:45 109Session 07F Mardi 14 juin • Tuesday, June 14, 13:30 – 14:45 211Applied survey methodsMéthodes d’enquête appliquées[MS-111]Application of two-phase sampling in education survey in TehranApplication de l’échantillonnage en deux phases dans le sondage sur l’éducation à TéhéranTaraneh ABARIN, University of ManitobaL’échantillonnage en deux phases est basé sur la méthode desous échantillonnage. Cette technique peut également êtreutilisée dans des sondages utilisant une collecte par cour-rier postal pour réduire l’erreur due à la non réponse. L’exis-tence de biais dans les sondages utilisant une collecte parcourrier postal est inévitable et l’échantillonnage en deuxphases peut résoudre ce problème. Premièrement, le ques-tionnaire est posté aux unités. Les tailles des échantillonspour la deuxième phase sont obtenues en se basant sur letaux de réponse et le coût des unités associé à chacune desphases. Ces deux échantillons donne un estimateur raisonnablepour les attributs désirés avec une grande précision etdes faibles coûts. Comme certaines autres méthodes, cettedernière nécessite une base de sondage à jour et précise si-non le taux de réponse et la précision de l’estimateur sontréduits. La méthode mentionnée ici est applicable dans plu-sieurs types de sondages couvrant soit l’éducation, la fabri-cation, l’exploitation minière, la santé, les sondages sociauxet bien d’autres. Ils sont utilisés pour déterminer les comptesnationaux et régionaux. Cet article présente l’application del’échantillonnage en deux phases au sondage sur l’éducationà Téhéran. Les résultats montrent que l’échantillonnage endeux phases donne des estimateurs avec une variance plusfaible que l’échantillonnage par stratification ordinaire. Unpoint important est que cette méthode présente une réductionimportante des coûts.Two-phase sampling is based on sub samplingmethod. This method can be also used in mailingsurveys to reduce non response error. Existence ofbias in mailing surveys is unavoidable. Two-phasesampling can solve this problem. Firstly, questionnairesare mailed out to units. Based on responserate and unit costs in each phase, second phasesample size is obtained. These two samples totallygive a reasonable estimator for desired attributewith a high precision and low cost. Like others,this method needs precise and updated framework.Other wise, response rate and precision of estimatorsare reduced. The mentioned method is applicablein many surveys, such as: education, manufacturing,mining, health and social survey, and etc.These are used in determining national and regionalaccounts. This paper presents application of twophasesampling in “Education Survey” in Tehran.Results shows that two-phase has less variance forvalue added than ordinary stratification sampling.A very important point is that this method has aremarkable reduction in cost.[MS-112]Sampling issues in national HIV behavioral surveillance of injecting drug usersProblèmes d’échantillonnage dans le programme national de surveillance du VIH pour les utilisateurs dedrogues injectivesMyron KATZOFF, Lillian LIN & Michael MONSOUR, National Center for Health Statistics/CDC, Steven THOMPSON,Simon Fraser UniversityThe Centers for Disease Control and Prevention(CDC) is about to begin National HIV BehavioralSurveillance (NBS) of the injecting drug user(IDU) population at 25 sites. Sampling of this hardto-locatepopulation can be facilitated through theLe Centers for Disease Control and Prevention (CDC) estsur le point de lancer un programme de surveillance na-tional du comportement du VIH (National HIV BehavioralSurveillance (NBS) ) pour la population des utilisateurs dedrogues injectives (UDI) dans 25 sites. L’échantillonnage de

110 Mardi 14 juin • Tuesday, June 14, 13:30 – 14:45use of adaptive sampling procedures such as re- cette population difficile à localiser peut être facilité par l’utispondentdriven sampling or snowball sampling. lisation de procédures d’échantillonnage adaptatives tellesThis paper will describe an adaptive web design as que l’échantillonnage mené par le répondant ou l’échanamodification to those designs which are of the tillonnage boule de neige. Cet article décrit un plan adaptatifstrict random walk or snowball type. The adap- en ligne comme modification à ces plans d’échantillonnagetive web design has the advantage of enabling the qui sont de types strictement marche aléatoire ou boule dedirect use of the information that will be derived neige. Le plan d’échantillonnage adaptatif en ligne a l’avanfromthe formative assessments to be conducted at tage de permettre l’utilisation directe de l’information dérithesites and selection of interview subjects based vée des évaluations formatrices qui seront menées aux siteson the characteristics of seeds (or, to use a graph- et de sélectionner les sujets à interviewer basé sur les catheoreticterm, originating nodes); it also will pro- ractéristiques de provenance (ou pour utiliser un terme devide for effective constraints on sample size. The la théorie des graphes, le nœuds de provenance). Il pourradiscussion of sampling issues will include consid- également donner des contraintes efficaces sur la taille deeration of: (1) ways to avoid getting “locked” into l’échantillon. La discussion sur les problèmes d’échantillonasingle network of IDUs or a very small number nage va inclure des considérations sur : 1) les manièresof such strongly connected components of the IDU d’éviter de rester pris dans le même réseau d’UDI et 2)population; and (2) what provisions will be made quelles mesures seront prises pour non seulement pouvoirto enable not only the estimation of HIV prevalence estimer la prévalence du VIH mais également pouvoir effecbutalso to perform other analyses of drug use prac- tuer d’autres analyses sur la pratique des drogues et l’utilisaticesand utilization of programs and services avail- tion des services et des programmes d’aides disponibles à laable to the IDU population.population des UDI.[MS-113]Dual frame strategy in the survey of financial security: Do we need a high income sample?L’utilisation de bases multiples dans l’Enquête sur la sécurité financière : Avons-nous besoin d’unéchantillon de ménages à hauts revenus ?Richard LAROCHE & Barbara ARMSTRONG, Statistique CanadaThe Survey of Financial Security (SFS) provides apicture of the net worth of Canadians. Run last inL’Enquête sur la sécurité financière (ESF) dresse un portraitde l’avoir net total des ménages canadiens. Réalisée pour1999, it is to be run again in 2005. To ensure ade- la dernière fois en 1999, elle sera répétée de nouveau enquate sample representation of the wealthiest fam- 2005. Pour assurer une représentation adéquate des famillesilies, the survey uses a dual frame approach. The les plus riches, l’enquête utilise une approche à bases mulareaframe covers Canada’s ten provinces. A list tiples. La base aréolaire couvre les dix provinces du Canada.frame, made up of households in geographic areas Une base liste, composée de ménages vivant dans des réinwhich there is a high concentration of house- gions géographiques ayant une forte concentration de méholdswith high incomes, is employed to increase nages à hauts revenus, est également utilisée. En 1999, l’ESFthe sample take of high income households. In avait une taille d’échantillon de 23 000 ménages. En 2005,1999 the SFS employed a sample of 23,000 house- l’échantillon ne compte que 9000 ménages.holds. The 2005 sample will be reduced substan- La présentation fournira les résultats de l’enquête de 1999.tially to 9,000 households.Suite à ces résultats, une évaluation de la performance deThe paper will present results from the 1999 sur- l’échantillon de la base liste sera faite. L’impact sur les esvey.Based on these results, an evaluation will be timations et les coefficients de variation sera examiné. Unemade of the performance of the 1999 list sample. telle évaluation est nécessaire pour déterminer si, suite à laImpact on survey estimates and CVs will be dis- réduction importante de l’échantillon en 2005, l’utilisationcussed. Such an evaluation is required to deter- d’une base liste de ménages à hauts revenus est toujours esminewhether, in the face of the sizeable reduction sentielle.in sample size in 2005, use of a list frame sampleis still warranted.

Mardi 14 juin • Tuesday, June 14, 13:30 – 15:00 111[MS-114]Improving the quality of the estimates of “special crops”L’amélioration de la qualité des estimations des « cultures spéciales »Laurie REEDMAN, Statistics CanadaLa série d’enquêtes sur les cultures recueille de l’informationauprès des exploitants agricoles canadiens six fois par année.Ces données sont utilisées pour l’estimation de la superficieet du rendement de tous les grandes cultures, comme le blé,le maïs, l’orge et l’avoine. On produit également des estima-tions pour plusieurs « cultures spéciales »dont les lentilles,les pois secs, les haricots secs, et les graines de l’alpistedes canaries. Ce sont certes là des cultures menées par unpetit pourcentage des exploitants agricoles canadiens, maiselles jouent néanmoins un rôle significatif dans l’industriede l’agriculture. Dans cet article, on examine la possibilitéde recourir à un estimateur composite pour améliorer l’exac-titude et la précision des estimations des certaines « culturesspéciales »tout en conservant la même taille d’échantillon.The Crops Series of surveys collect informationfrom Canadian crop producers six times each year.These data are used to estimate the acreage andyield of all major crops, such as wheat, corn, barleyand oats. Also, estimates of many “special” cropsare produced such as lentils, dry peas and beans,and canary seed. These “special” crops are onlygrown by a small percentage of Canadian producers,but they play a significant role in the agricultureindustry. This paper explores the use of a compositeestimator to improve the accuracy and precisionof estimates of certain “special” crops while not increasingthe regular sample size.[MS-115]Weighting strategy of the Survey of Labour and Income Dynamics (SLID)Pondération de l’Enquête sur la Dynamique du travail et du revenu (EDTR)Caroline CAUCHON & Sylvie LAROCHE, Statistique CanadaL’Enquête sur la Dynamique du travail et du Revenu (EDTR)est une enquête longitudinale par panel menée auprès des individus.Elle est la principale source d’information sur le revenudes particuliers, des familles et des ménages, incluantl’incidence des familles à faible revenu. L’échantillon del’EDTR est composé de deux panels qui se chevauchent. Àchaque année de référence, l’EDTR produit deux ensemblesde poids : un ensemble de poids représentatif de la populationinitiale(l’aspect longitudinal) et un autre qui est représentatifde la population actuelle(l’aspect transversal). Cetteprésentation décrira la méthodologie employée à l’EDTRpour pondérer les échantillons longitudinaux et transversaux.

112 Mardi 14 juin • Tuesday, June 14, 13:30 – 15:00Session 07G Mardi 14 juin • Tuesday, June 14, 13:30 – 15:00 217Advanced Regression MethodsMéthodes de regression avancées[MS-116]Use of auxiliary data in semiparametric regression with nonignorable missing responsesUtilisation de données auxiliaires en régression semi paramétriques avec des données manquantes nonignorablesMarco GERACI & Matteo BOTTAI, University of South CarolinaWe propose a method for reducing the error of theprediction of a quantity of interest, when the outcomehas missing values that are suspected to benonignorable and the data are correlated in space.We develop a maximum likelihood approach forthe parameter estimation of semiparametric regressionsin a mixed model framework. We apply theproposed method to phytoplankton data. A simulationstudy is also performed. The availability ofa variable correlated to the response allows us toachieve a substantial reduction of the error of theprediction, without having to specify a nonignorablemodel.Nous proposons une méthode pour réduire l’erreur de prévisiond’une quantité d’intérêt lorsque la variable dépendantecontient des valeurs manquantes que l’on suspecte d’être nonignorables et que les données sont corrélées dans l’espace.Nous développons une approche par le maximum de vrai-semblance pour l’estimation des paramètres d’une régres-sion semi paramétrique dans un cadre de modèles mixtes.Nous appliquons la méthode proposée à des données sur lephytoplancton. Une étude de simulation est également effec-tuée. La disponibilité d’une variable corrélée à la variable dé-pendante nous permet d’obtenir une réduction substantiellede l’erreur de prévision, sans avoir à spécifier un modèle denon ignorabilité.[MS-117]Prediction of binary outcomes from longitudinal dataPrévision d’un résultat binaire pour des données longitudinalesJulie HORROCKS, University of GuelphDans cet exposé j’étudie certains modèles pour prédire unrésultat binaire (fixe dans le temps) en utilisant de l’in-formation longitudinale. Les covariables longitudinales, va-riables dans le temps, sont souvent mesurées avec erreur,ce qui peut mener à un biais dans l’estimation des coeffi-cients. À titre d’application, nous utilisons des données surles changements dans l’adhésion de certains lymphocytessanguins dans les jours précédents l’ovulation pour prédiresi la femme va répondre positivement à un traitement de fer-tilisation in vitro. L’adhésion est sujette à des erreurs de mesuressubstantielles. L’ampleur du biais dû à l’erreur de me-sure dans les données longitudinales est examinée avec dessimulations.In this talk I investigate some models for predictionof a (time-fixed) binary outcome using longitudinalinformation. The time-varying longitudinal covariatesare often measured with error, which can leadto bias in the estimated coefficients. As an application,data on changes in the adhesion of certainblood lymphocytes in the days prior to ovulationare used to predict whether a woman will respondto in-vitro fertilization treatment for infertility. Adhesionis subject to substantial measurement error.The extent of bias due to measurement error in thelongitudinal data is examined through simulation.

Mardi 14 juin • Tuesday, June 14, 13:30 – 15:00 113[MS-118]Time series models for the relationship of foodborne diseases and temperatureModèles de séries chronologiques pour la relation entre la température et les maladies alimentairesManon FLEURY, Public Health Agency of Canada, John HOLT, University of Guelph,, Dominique CHARRON, PublicHealth Agency of Canada, Brian ALLEN, University of Guelph, Abdel MAAROUF, Environment CanadaThis paper explores the relationship between temperatureand enteric disease using generalized additivemodels and generalized linear models withregression splines. These methods are widely usedfor environmental time series analysis because theypermit flexible adjustments for non-linear confoundingeffects of time trends, seasonality andtemperature variables. There are, however, certainissues related to the application of these methodsto time series data: there are no formal tests forthe choice of smoothing parameters, and autocorrelationneeds to be controlled in the model. Othermethods explored include Fourier transformations,transitional regression models and threshold models.Cet article explore la relation entre la température et les maladiesentériques en utilisant des modèles additifs généra-lisés et des modèles linéaires généralisés avec des splinesde régression. Ces méthodes sont largement utilisées pourl’analyse de séries chronologiques environnementales, puis-qu’elles permettent un ajustement flexible pour des effetsconfondants non linéaires de la tendance temporelle, la sai-sonnalité et des variables sur la température. Il y a cependantcertains problèmes reliés à l’application de ces méthodes àdes données de séries chronologiques : il n’y a pas de testsformels pour le choix du paramètre de lissage et les auto-corrélations doivent être contrôlées dans le modèle. D’autresméthodes explorées inclues les transformations de Fourier,les modèles de régression transitionnels et les modèles àseuil.[MS-119]The time-varying autoregressive model with covariates for analyzing longitudinal studiesLe modèle autorégressif à temps variable avec covariables pour analyser des études longitudinalesTulay KORU-SENGUL, University of Saskatchewan, David S. STOFFER, University of PittsburghThe time-varying autoregressive model with covariatescan be thought of as a version of the transi-Le modèle autorégressif à temps variable avec covariablespeut être vu comme une version du modèle linéaire généraltional general linear models for analyzing longitu- transitionnel pour analyser des données longitudinales. Desdinal data. Variations of the model have been used variations du modèle ont été utilisées dans le passé pour unpreviously in a great deal of applications except for grand nombre d’applications excepté pour des études longilongitudinalstudies. In this content longitudinal tudinales. À ce titre, la réponse longitudinale est modéliséeoutcome is modeled as a linear regression model comme un modèle de régression linéaire pour chaque péforeach time point by taking into account the cor- riode temps en tenant compte de la corrélation entre les répérelationbetween the repeated measurements over titions de mesures dans le temps. Les avantages majeurs dutime. The major advantages of the model are iden- modèle sont l’identification des temps où le résultat change,tifying the time points where the outcome changes, de tenir des données espacées inégalement et d’être capablehandling of unequally spaced data, and being able d’utiliser des covariables qui changent dans le temps. Desto use time-varying covariates. An epidemiological données épidémiologiques longitudinales provenant de lalongitudinal data from Saskatchewan will be used Saskatchewan seront utilisées pour illustrer le modèle. Cetteto demonstrate the model. Research supported in recherche est supportée en partie par la bourse du Nationalpart by the grant from National Science Foundation Science Foundation aux Etats-Unis (DMS-0102511).in the USA (DMS-0102511).

114 Mercredi 15 juin • Wednesday, June 15, 09:00 – 09:45[MS-120]Reparameterization of the boundary of the admissible region for ARMA modelsReparamétrisation de la frontière de la région d’admissibilité pour des modèles ARMAYing ZHANG, Acadia University, Ian MCLEOD, University of Western OntarioThe theorem of Barndorff-Neilsen and Schou(1973) is extended to the boundary of the admissibleregion of autoregressive and moving averagemodels as well as the subset autoregressive modelsand it is noted that the rigorous proof of thisextension is non-obvious. A new maximum likelihoodalgorithm for the moving average model isdescribed and its use illustrated in a simulation example.It is shown how the result can be used toconstruct new diagrams of the admissible regionsfor autoregressions and subset autoregressions. Inthe subset AR(p) model, it is shown that the admissibleparameter space is spanned by the correspondingpartial autocorrelations.Le théorème de Barndorff-Neilsen et Schou (1973) estétendu à la frontière de la région admissible des modèlesautorégressifs moyennes mobiles ainsi qu’aux modèles auto-régressifs emboîtés. Il est utile de remarquer qu’une preuverigoureuse de cette extension n’est pas évidente. Un nouvelalgorithme du maximum de vraisemblance pour le modèlemoyenne mobile est décrit, et son utilisation est illustréedans une étude de simulations. Nous montrons comment lesrésultats peuvent être utilisés pour construire de nouveauxdiagrammes des régions admissibles pour l’autorégressionet l’autorégression emboîtée. Dans le modèle AR(p) emboî-tée, nous montrons que l’espace des paramètres admissiblesest engendré par les autocorrélations partielles correspon-dantes.[MS-121]An alternative algorithm to the accelerated failure time modelUn algorithme alternatif pour le modèle de temps de vie accéléréJiajia ZHANG & Yingwei PENG, Memorial University of NewfoundlandFrailty models based on the proportional hazardsmodel are useful to analyse correlated or clusteredLes modèles de fragilité basés sur le modèle de panne proportionnelsont utiles pour analyser des données de tempsfailure time data. However, there are some recent de défaillance corrélées ou groupées. Cependant, il y a cerinterestsin a frailty model based on the famous ac- tains intérêts récents dans un modèle de fragilité basé sur lecelerated failure model for correlated failure time modèle de défaillance accélérée pour des données de tempsdata. In this paper we review recent advances on de défaillance corrélées. Dans cet article, nous passons enthis model in the literature. We propose a gen- revue la littérature sur les avancements récents de ce moeralestimation method based on M-estimators and dèle. Nous proposons une méthode d’estimation générale batheEM algorithm to estimate the parameters in the sée sur les M-estimateurs et l’algorithme EM pour les paramodel.To evaluate the performance of the pro- mètres du modèle. Pour évaluer la performance de la méthoposedmethod, we carry out a simulation study. The dologie proposée, nous effectuons une étude de simulation.results of the simulation study show that the pro- Les résultats de l’étude de simulation montrent que la méposedmethod performs well in comparison with thode proposée performe bien comparativement à d’autresexisting estimation methods. As an illustration, we méthodes d’estimation existantes. À titre d’illustration, nousalso apply the model and the proposed method to a appliquons le modèle et la méthodologie proposée à un jeudataset of failure times from kidney patients. de données de temps de défaillances provenant de patientsavec des problèmes de reins.

Mercredi 15 juin • Wednesday, June 15, 09:00 – 09:45 115Session 09A Mercredi 15 juin • Wednesday, June 15, 09:00 – 09:45 241Pierre Robillard Award AddressAllocution du prix Pierre Robillard

116 Mercredi 15 juin • Wednesday, June 15, 09:45 – 10:30Session 09B Mercredi 15 juin • Wednesday, June 15, 09:45 – 10:30 241Canadian Journal of Statistics Award AddressAllocution du prix de La Revue canadienne de statistique

Mercredi 15 juin • Wednesday, June 15, 11:00 – 12:30 117Session 10A Mercredi 15 juin • Wednesday, June 15, 11:00 – 12:30 214ImputationImputation[MS-122]COM server for multiple imputationServeur COM pour l’imputation multipleJoseph SCHAFER, Pennsylvania State UniversityMultiple imputation (MI) is a simulation-basedtechnique for handling missing data which replacesL’imputation multiple (IM) est une technique basée sur dessimulations pour tenir compte des données manquantes quieach unknown datum by a set of m > 1 simulated remplace chaque référence inconnue par un ensemble devalues drawn from a predictive distribution. Al- m>1 valeurs simulées et tirées d’une distribution prédictive.gorithms for generating MI’s in multivariate set- Les algorithmes pour générer des IM dans un cadre multingstypically involve Markov chain Monte Carlo. tivarié impliquent typiquement les techniques de chaînesThis presentation will introduce and demonstrate de Markov Monte Carlo. Cette présentation introduit etnew routines for MI that have been packaged as démontre de nouvelles routines pour l’IM qui sont fouraserver compliant with the Microsoft Component nies avec le Microsoft Component Object Model (COM)Object Model (COM). A COM server is an object- conforme aux serveurs. Un serveur COM est un module deoriented software module which, once it is installed programme orienté objet qui, une fois installé et enregistréand registered with the Windows operating system, avec le système d’opération Windows, peut interagir aveccan interact with a wide variety of applications (S- une grande variété d’applications (S-PLUS, R, Excel, SAS,PLUS, R, Excel, SAS, SPSS and MATLAB, to SPSS et MATLAB pour en nommer quelques uns), produinamea few), producing consistent results across sant des résultats consistants à travers ces plates-formes.these platforms.[MS-123]Vector imputation at WestatImputation de vecteurs chez WestatThomas KRENZKE, David JUDKINS & Zizhong FAN, WestatWestat uses primarily hot-deck and nearest-neighborprocedures for imputation. In-house software wasWestat utilise principalement les procédures hot-deck et duplus proche voisin pour faire de l’imputation. Un logicielstandardized a decade ago that would preserve maison qui préserve les distributions marginales des vamarginaldistributions of variables. Recently, we riables à été standardisé il y a une dizaine d’années. Réhavedeveloped new software that makes it easy for cemment, nous avons développé de nouveaux logiciels quiusers to preserve marginal distributions, skip pat- simplifient la tâche de l’utilisateur pour préserver les distriterns,and covariances among ordinal and continu- butions marginales, omettre des patrons et des covariancesous items. We report on the algorithm, which uses entre des items ordinaux et continus. Nous faisons un rapexistingprocedures, while incorporating greedy port sur l’algorithme qui utilise des procédures existantesparametric modeling of relationships. A simula- et incorpore une modélisation paramétrique des relations.tion study will include a feature that contrasts it Une étude de simulations va inclure une caractéristique quiwith Bayesian procedures, in that it can preserve démarque l’algorithme par rapport aux procédures bayésemi-continuousdistributions, such as household siennes, dans le sens où il peut préserver les distributionsincome, that are generally continuous but display semi-continues comme le revenu familial, qui est généraleheapingat round numbers.ment continu mais qui se concentre aux valeurs arrondies.

118 Mercredi 15 juin • Wednesday, June 15, 11:00 – 12:30[MS-124]The Banff system for automated editing and imputationLe système Banff pour l’éditage et l’imputation automatiqueRobert KOZAK, Statistics CanadaBanff est un système généralisé développé récemment à StatistiqueCanada pour la vérification et l’imputation automa-tique de données de sondages quantitatives. Il représente uneévolution par rapport au Système généralisé de vérificationet d’imputation (SGVI) qui à été utilisé à Statistique Canadadepuis la fin des années 80. Le système est une collection deneuf procédures SAS spécifiques et indépendantes qui per-mettent des fonctionnalités similaires à SGVI. Cependant,Banff est beaucoup plus flexible par rapport à l’environne-ment d’opération et set aussi plus convivial. Cet article passebrièvement en revue le développement initial de Banff et dé-crit en détail les fonctionnalités du système. Un survol de laméthodologie associée à chacune des fonctions est présen-tée. Finalement, il y a une discussion sur les développementsprésents et futurs du système qui doivent rendrent Banff en-core plus versatile, incluant le développement de nouvellesméthodologies et d’une interface graphique.Banff is a generalized system recently developedat Statistics Canada for the automated editing andimputation of quantitative survey data. It evolvedfrom the Generalized Edit and Imputation System(GEIS), which has been used at Statistics Canadasince the late 1980s. The system is a collection ofnine independent, specialized SAS procedures thatprovide functionality similar to GEIS. However,Banff is much more flexible with respect to the operatingenvironment and ease-of-use. This paperbriefly reviews the initial development of Banff,and describes each of the system functions in detail.An overview of the methodology behind thefunctions is presented. Finally, there is a discussionabout the current and future development ofthe system which is targeted at making Banff evenmore versatile, including the development of newmethodologies and a graphical interface.Session 10B Mercredi 15 juin • Wednesday, June 15, 11:00 – 12:30 200Recent Advances in Lifetime DataProgrès récents pour les données de durée[MS-125]Inference methods based on the EM algorithm for the competing risk model with masked causes of failureMéthodes d’inférence basées sur l’algorithme EM pour le modèle des risques concurrents avec causes depannes masquéesThierry DUCHESNE, Université Laval, Radu CRAIU, University of Toronto, Isabelle MICHAUD, Université LavalIn some applications of the competing risk model,only partial information about the causes of deathDans certaines applications du modèle des risques concurrents,seule une information partielle sur les causes de décèsis available; when a cause of death is only known est disponible. Lorsque tout ce que nous savons est que le détobe in a subset of all possible causes of death, we cès est dû à une des causes d’un sous-ensemble des causessay that the cause of death is masked.possibles, nous disons que la cause de décès est masquée.In this talk, we consider the methods based on the Dans cet exposé, nous considérons les méthodes basées surEM algorithm of Craiu & Duchesne (2004). In ad- l’algorithme EM proposées par Craiu et Duchesne (2004).dition to the published results, we present findings En plus des résultats publiés, nous présentons les conclufromextensive simulation studies on the robustness sions d’études par simulation exhaustives sur la robustesseof the methods as well as an investigation of the be- des méthodes et sur le comportement de ces méthodes enhavior of the methods with no second stage data. l’absence de données de deuxième étape.

Mercredi 15 juin • Wednesday, June 15, 11:00 – 12:30 119[MS-126]A sequential stratification method to estimate the effect of a time-dependent treatment in the analysis ofrecurrent event dataUne méthode de stratification séquentielle pour estimer l’effet d’un traitement temporellement dépendantpour l’analyse de données d’événements récurrentsDoulgas SCHAUBEL, University of MichiganDans les études biomédicales, l’événement d’intérêt est souventrécurrent. Nous proposons une méthode semi paramé-trique pour estimer l’effet d’un traitement temporellementdépendant sur le taux conditionnel de l’événement. Lors-qu’elle est appliquée à des études observationnelles, la mé-thode proposée est supposé donner un estimateur de l’effetdu traitement avec une meilleur interprétation causale queceux résultants des analyses typique de dépendance tempo-relle. Les propriétés asymptotiques de l’estimateur du para-mètre de régression sont dérivées et évaluées pour des échan-tillons finis à partir de simulations. Les méthodes proposéessont appliquées pour quantifier les avantages d’une trans-plantation sur la morbidité en utilisant des données d’obser-vations d’un registre national sur les problèmes d’organes.In biomedical studies, the event of interest is oftenrecurrent. We propose a semiparametric methodfor estimating the effect on the conditional eventrate of a time-dependent treatment. When appliedto observational studies, the proposed method is intendedto yield a treatment effect estimator withmore of a causal interpretation than that resultingfrom the typical time-dependent analysis. Asymptoticproperties of the regression parameter estimatorare derived and evaluated in finite samplesthrough simulation. The proposed methods are appliedto quantify the morbidity benefit of transplantationusing observational data from a national organfailure registry.[MS-127]The analysis of multivariate point processes with partially missing event typesL’analyse de processus ponctuels multivariés avec des types d’événements partiellement manquantsBingshu CHEN, NCI/NIH, Richard COOK, University of WaterlooIn many clinical studies, subjects are at risk of experiencingmore than one type of recurrent event.Sometimes however, only the occurrence of anevent is observed and the specific type is not determined.We develope methods for analysing thissort of incomplete multi-type recurrent event data.A Monte-Carlo EM algorithm is proposed to handlethe missing data problem in the context of likelihoodanalyses. Robust arginal methods based onestimating functions are also developed. Both approachesare studied via simulation.Dans plusieurs études cliniques, les individus sont sujets àexpérimenter plus d’un type d’événements récurrents. Cependant,des fois seulement l’occurrence d’un événement estobservée et le type spécifique n’est pas déterminé. Nous dé-veloppons une méthode pour analyser ce type de donnéesd’événements récurrents incomplets multi types. Un algorithmeEM Monte-Carlo est proposé pour résoudre le pro-blème de données manquantes dans le contexte d’analysede vraisemblance. Des méthodes marginales robustes baséessur des fonctions d’estimation sont également développées.Les deux approches sont analysées à l’aide de simulations.

120 Mercredi 15 juin • Wednesday, June 15, 11:00 – 12:30Session 10C Mercredi 15 juin • Wednesday, June 15, 11:00 – 12:30 133Estimation in constrained parameter spacesEstimation dans des espaces de paramètres avec contraintes[MS-128]A unified approach for minimax estimation of a bounded parameterApproche unifiée pour l’estimation minimax d’un paramètre bornéWolfgang BISCHOFF, Catholic University Eichstaett-IngolstadtEn pratique, le paramètre inconnu dans une expérience asouvent un domaine borné. Ainsi en pratique il est intéres-sant d’inclure une telle information dans les procédures sta-tistiques. Pour un domaine relativement petit, nous prouvonssous certaines hypothèses qu’un estimateur minimax existe,et ce dernier est un estimateur de Bayes par rapport à unedensité a priori bipolaire qui porte sa masse aux deux bornes,lorsque la fonction de perte est strictement convexe. Cependant,si la fonction de perte n’est pas strictement convexe,nous montrons que le résultat mentionné ci-dessus ne tientplus.In practice the unknown parameter of an experimentis often bounded. Therefore there is practicalinterest to include such additional knowledge intostatistical procedures. For a sufficiently small parameterinterval we prove under certain assumptionsthat a minimax estimator exists which isBayes with respect to a two-point prior with massat the boundaries when the loss is strictly convex.This unifies the results of a sequence of papers. Ifthe loss is not strictly convex, however, we showthat the above mentioned result is not true.[MS-129]Shape restricted estimation in the search for dark matterEstimation restreinte sur la forme dans la recherche de la matière noireMichael WOODROOFE, University of MichiganIn addition to visible matter, like stars, there is matterthat astronomers cannot see. They know that itEn plus de la matière visible comme les étoiles, il existe dela matière que les astronomes ne peuvent pas voir. Cepenisthere from gravitational effects. It’s nature and dant, ils savent qu’elle existe à partir des effets gravitationevenlocation are not well known at present, but nels. Sa nature et la localisation ne sont pas bien connuesthere is a wide belief that the vast majority of matter présentement, mais il y a une grande croyance que la grandein the Universe is dark. The talk centers on statis- majorité de la matière dans l’univers est noire. La présentaticalissues that arise in the non-parametric estima- tion met un emphase sur les problèmes statistiques qui surtionof dark matter in the dwarf spheroidal galax- viennent dans l’estimation non paramétrique de la matièreies that are satellites of the Milky Way. Statisti- noire dans les petites galaxies sphéroïdales satellites à lacally, this is an inverse problem with missing data. Voie Lactée. Statistiquement, ceci est un problème inverseThe distribution of (total) mass together with the avec données manquantes. La distribution de la masse totalelaw of gravity determines the positions and veloc- avec la loi de la gravité détermine la position et la vélocitéities of stars, and the statistical problem is to re- des étoiles. Le problème statistique est de retrouver la districoverthe distribution of mass from observed posi- bution et la masse à partir des positions et des vélocités. Lestions and velocities. Complete positions and veloc- positions et vélocités complètes ne peuvent pas être obseritiescannot be observed here–only the radial ve- vées ici, seulement la vélocité radiale et la projection de lalocity and the projection of position on the plane position sur la plan orthogonal de la ligne d’horizon. La disorthogonalto the line of sight. The distribution tribution de la position projetée peut être estimée assez préciofprojected position can be estimated quite pre- sément par d’importantes études photométriques (∼ 150000cisely from large (∼ 150, 000 stars) photometric étoiles). Les vélocités requièrent du temps pour êtres mestudies.Velocities require some time to measure, surées et les études antérieures étaient trop petites (∼ 30however, and previous studies have been too small étoiles) pour permettre une estimation en toute généralité.

Mercredi 15 juin • Wednesday, June 15, 11:00 – 12:30 121(∼ 30 stars) to allow estimation in any general- De nouveaux instruments vont bientôt permettre de plus grosity. Instead, astronomers have been forced to adopt échantillons (∼ 1500 étoiles) et ainsi rendrent possibles leshighly structured parametric models. New instru- méthodes non paramétriques. Supposons une symétrie sphémentationwill soon make much larger samples rique, soit M(r) la masse totale autour d’un rayon r du centre(∼ 1500 stars) available and non-parametric meth- de la petite galaxie. L’équation de Jean (de la théorie potenodsfeasible. Assuming spherical symmetry, let tielle classique) montre que M(r) = cΨ ′′ (r)/ f (r), où c estM(r) denote the total mass within r of the center une constante connue, f est une fonction non négative quaofa dwarf spheroidal galaxy. Then Jeans’ Equa- siment connue et Ψ est une fonction pour laquelle un estimation(from classical potential theory) shows that teur sans biais √ n-consistent existe. Par l’équation de Jean,M(r) = cΨ ′′ (r)/ f (r), where c is a known constant, Ψ est une fonction convexe et Ψ ′′ (r)/ f (r) est non décroisfis a (nearly) known non-negative function, and Ψ sant en r. L’estimateur sans biais, disons Ψ # , ne satisfait pasis a function for which an unbiased, √ n-consistent ces restrictions sur la forme et peut être amélioré en impoestimatorexists. From Jeans’ Equation, Ψ is a con- sant ces restrictions. Cette présentation met l’emphase survex function, and Ψ ′′ (r)/ f (r) is non-decreasing in des méthodes pour accomplir cela et sur les propriétés desr. The unbiased estimator, Ψ # say, does not sat- estimateurs résultants. Ceci est un travail conjoint avec Xiaoisfy these shape restrictions and can be improved Wang (UM Statistics), Mario Mateo and Matt Walker (UMby imposing them. The talk centers on methods for Astronomy).accomplishing this, and properties of the resultingestimators. This is joint work with Xiao Wang (UMStatistics) and Mario Mateo and Matt Walker (UMAstronomy).[MS-130]Estimation of the proportion p for a Binomial(n, p) distribution when p is near 1/2Estimation d’une proportion p pour une loi Binomiale(n, p) lorsque p est près de 1/2Francois PERRON, Université de MontréalWe consider the problem of estimating the parameterNous considérons le problème d’estimer p pour une Binom-p for a Binomial(n, p) distribution when p iale(n, p) lorsque p se trouve dans l’intervalle symétriquelies in the symmetric interval [(1 − m/ √ n)/2, (1 + [(1 − m/ √ n)/2, (1 + m/ √ n)/2], m < √ n. On s’intéressem/ √ n)/2], m < √ n. We are interested on improv- à améliorer l’EQM et à trouver des estimateurs minimaxing the MLE and finding minimax estimators under pour une perte quadratique. Nous allons étudier quelquesthe quadratic loss. We will study some of the esti- estimateurs proposés par d’autres chercheurs. On utiliseramators that have been proposed by other authers. aussi une approche bayésienne. Nous proposons des condi-We will use a bayesian approach as well. We will tions simples pour s’assurer qu’un nouvel estimateur dominegive simple sufficient conditions for the problem of l’EQM. Nous démontrons qu’il suffit que m soit assez petitdominating the MLE. We will show that when m is pour qu’un estimateur de Bayes domine l’EQM lorsque lasmall any Bayes estimator with respect to a sym- loi a priori est symétrique. En particulier, nous allons nousmetric prior dominates the MLE. In particular, we intéresser à la loi a priori concentrée sur la frontière de l’eswilluse the prior which put all of the mass to the pace paramétrique et montrer qu’elle devient la loi a priori laboundary of the parameter space. This prior being moins favorable lorsque m est petit. Finalement, nous allonsthe least favourable prior when m is small. We will donner des résultats asymptotiques.give asymptotic results.

122 Mercredi 15 juin • Wednesday, June 15, 11:00 – 12:30Session 10D Mercredi 15 juin • Wednesday, June 15, 11:00 – 12:30 217Graphical Gaussian modelsModèles gaussiens graphiques[MS-131]Binary models for marginal independenceModèles binaires pour l’indépendance marginaleThomas RICHARDSON, University of Washington, Mathias DRTON, University of California BerkeleyLes hypothèses d’indépendance marginale ne peuvent généralementpas être traitées par des modèles log linéaires. Parexemple, il n’est pas possible de formuler un modèle pourquatre variables (A, B, X, Y) tel que A soit indépendant de Bet X soit indépendant de Y (sans aucune autre restriction).En mettant l’emphase sur les variables binaires, je présenteune nouvelle classe de modèles qui fournie un cadre pouradresser ce problème. L’approche est graphique et basée surdes graphes bi-dirigés qui entrent dans la tradition des dia-grammes de trajectoires. À plusieurs égards, les modèles ré-sultants et les algorithmes d’ajustement associés présententune certaine dualité par rapport aux modèles log linéairesgraphiques.Marginal independence hypotheses cannot be accommodatedin general by traditional log-linearmodels. For example, it is not possible to formulatea model for four variables (A, B, X, Y) such thatA is independent of B, and X is independent of Y(and no other restrictions are imposed). Focusingon binary variables I will present a new model classthat provides a framework for addressing this problem.The approach is graphical and based on bidirectedgraphs, which are in the tradition of pathdiagrams. In many respects the resulting modelsand associated fitting algorithms are dual to graphicallog-linear models.[MS-132]A glance at graphical modelling in statistics and artificial intelligenceUn bref regard sur la modélisation graphique en statistique et en intelligence artificielleMilan STUDENY, Academy of Sciences of the Czech RepublicLe but de cette présentation élémentaire est d’informer brièvementet superficiellement le public statistique sur la modé-lisation graphique de structures d’indépendance condition-nelle par le biais des graphes en chaîne. Nous présenteronstrois exemples jouets artificiels dont le but est de motiver etillustrer l’utilisation possible des méthodes graphiques dansles trois domaines suivant : le traitement des tableaux decontingence, l’analyse statistique multivariée et la prise dedécisions probabiliste. Les définitions mathématiques utilessont fournies tout au long de l’exposé.The goal of this elementary talk will be to informgeneral statistical audience briefly and superficiallyabout graphical modelling of conditional independencestructures by means of so-called chaingraphs. This will be done by presenting three artificialtoy examples whose aim is to motivate andillustrate the possible use of graphical methodsin the following three areas: in contingency tablesprocessing, in multivariate statistical analysisand in probabilistic decision making. The relevantmathematical definitions will be given throughoutthe talk.[MS-133]A new family of conjugate priors for decomposable graphical Gaussian modelsUne nouvelle famille de densités a priori conjuguées pour des modèles gaussiens graphiques décomposablesHélène MASSAM, York University, Gérard LETAC, Université Paul SabatierWe construct a new family of conjugate prior distributionsfor the covariance parameter of graphicalGaussian models Markov with respect to a decom-Nous construisons une nouvelle famille de densités a prioriconjuguées pour le paramètre de covariance de modèlesgraphiques gaussiens markoviens par rapport à un graphe

Mercredi 15 juin • Wednesday, June 15, 11:00 – 12:30 123décomposable. La densité a priori conjuguée de Diaconis-Ylvisaker qui est l’hyper inverse Wishart donnée par Dawidand Lauritzen (1993) est un cas particulier de notre nouvellefamille. Notre famille a l’avantage d’être flexible puisqueson paramètre de forme est de dimension au moins égaleau nombre de cliques plus un. De plus, comme l’hyper inverseWishart, elle est hyper-markovienne forte, permettantainsi d’inférer localement clique par clique, dans un cadrebayésien. Cette propriété est très importante pour l’analysede données complexes à haute dimension.posable graph. The Diaconis-Ylvisaker conjugateprior which is the hyper inverse Wishart as givenby Dawid and Lauritzen (1993) is a particular caseof our new family. Our family has the advantage offlexibility since its shape parameter is of dimensionat least equal to the number of cliques plus one.Also, like the hyper inverse Wishart, it is stronghyper Markov thus allowing inference to be madelocally, clique by clique, in a Bayesian framework.This property is most important for the analysis ofcomplex high-dimensional data.Session 10E Mercredi 15 juin • Wednesday, June 15, 11:00 – 12:30 241Teaching statistics in the health and life sciencesL’enseignement de la statistique dans les sciences de la santé et de la vie[MS-134]Comparing apples to oranges - issues in confoundingComparer des pommes et des oranges : problème d’effets confondantsPaul COREY, University of TorontoLes effets néfastes d’une exposition à un polluant au travailou les bénéfices d’un traitement par un certain médicamentsont mesurés en comparant les effets dans deux groupes, unpremier exposé au polluant ou au médicament et l’autre nonexposé. Idéalement nous voulons avoir des groupes iden-tiques à tout égards à l’exception de l’exposition. Dans lavraie vie, le compromis est d’avoir des groupes similaires enmoyennes, en utilisant la randomisation pour l’essai cliniquesur le médicament et l’ajustement statistique pour l’étudesur l’exposition au travail. Certains croient que l’ajustementstatistique par l’ANACOVA n’est jamais approprié pour lesétudes randomisées, et d’autres croient que cela l’est seule-ment pour les études randomisées. Des exemples appropriéspour un groupe de scientifiques gradués en santé seront présentés.Harmful effects of occupational exposures or benefitsfrom drug therapy are measured by comparingthe effects in two groups, one exposed to the pollutantor drug and the other not exposed. The idealinvolves groups identical in all respects except theexposure. The real world compromise involves twogroups similar, on average, using randomization inthe drug trial and statistical adjustment in the occupationalstudy. Some believe that statistical adjustmentusing ANACOVA is never appropriate inrandomized studies, others that it is only appropriatein randomized studies. Examples appropriatefor a class of graduate health scientists will be presented.[MS-135]Teaching statistics in the presence of heteroscedasticityEnseigner les statistiques en présence d’hétéroscédasticitéPenny BRASHER, University of CalgaryLes étudiants dans le cour gradué biostatistique 1 à l’UofCdoivent avoir comme préalable un cour d’introduction à lastatistique. Cependant, ils peuvent avoir suivi le cours lasession précédente ou bien 20 ans auparavant. De plus, lesétudiants viennent de plusieurs programmes d’études diffé-rents. Cet exposé reflète les défis à motiver un audience aussiThe students enrolled in the graduate-level course,Biostatistics I, at the UofC are required to havean introductory statistics course prior to enrolment.However, this may be as recent as "last term" or"twenty years ago". In addition, the students comefrom different programs of study and diverse back-

124 Mercredi 15 juin • Wednesday, June 15, 11:00 – 12:30grounds. This talk will reflect on the challenge mixte, discute des choses qui fonctionnent et de celles qui neof engaging such a mixed audience, discuss things fonctionnent pas et finalement de la récompense que l’on a àthat worked and things that didn’t, and the rewards la fin d’une journée.at the end of the day.[MS-136]An online system for teaching the design (and analysis) of experimentsUn système en ligne pour enseigner la planification et l’analyse d’expériencesCarl SCHWARZ, Simon Fraser UniversityLa majorité des manuels sur la planification d’expériencescontiennent plusieurs exercices à la fin des chapitres quipermettrent à l’étudiant de pratiquer l’analyse d’expériencesdéjà complétées, mais l’étudiant a rarement de pratique dansla planification des expériences. Cet article présente un envi-ronnement de construction virtuel qui génère un laboratoirevirtuel. Ce dernier est accessible via Internet, facilement uti-lisable par l’étudiant et donne des réponses différentes pourchacun des élèves. Un avantage important de cette approcheest que les étudiants peuvent rapidement essayer plusieursplans d’analyses différents pour la même expérience et ap-prendre à distinguer les plans basés sur des choix de randomisation.Most books on experimental design have many exercisesat the end of chapters that give studentspractice in the ANALYSIS of completed experiments,but students often receive little experiencein the DESIGN of experiments. This paper presentsa virtual construction machine that generates a virtuallaboratory. This is web-accessible, easily usedby students, and gives different responses for everystudent. A key advantage of this approach isthat students can quickly try many different designson the same experiment and learn to distinguishamong designs based on randomization choices.Session 10F Mercredi 15 juin • Wednesday, June 15, 11:00 – 12:30 212Model Selection and Robust ModellingSélection des modèles et la modélisation robuste[MS-137]Analysis of Longitudinal Bivariate Binary Data Under a Mixed Effects ModelAnalyse de données longitudinales binaires bivariées pour un modèle à effet mixteJ. N. K. RAO, Carleton University, Kalyan DAS, Calcutta University, India & Qunshu REN, Carleton UniversityTen Have et Morabia (1999) ont proposé un modèle à effetsmixtes pour des données binaires bivariées qui consisteen deux modèles linéaires mixtes à marges logistiques et unmodèle linéaire mixte du rapport log-cote pour la dépen-dance bivariée. Sous la normalité de l’effet aléatoire dansles modèles de composantes et en utilisant une approxima-tion binomiale, ils obtiennent les EVM des paramètres dumodèle et les écarts-types associés. Nous proposons une mé-thode MCMCEM générale pour des distributions arbitrairesde l’effet aléatoire. En particulier, nous utilisons la distribu-tion la moins favorable de Huber pour obtenir des estima-teurs robustes et leur variance. Des résultats empiriques sontprésentés pour démontrer les avantages des estimateurs ro-bustes.Ten Have and Morabia (1999) proposed a mixedeffects model for bivariate binary data that consistsof two marginal logistic linear mixed models and alog-odds ratio linear mixed model for the bivarateassociation. Under normality of random effects inthe component models and using a binomial approximation,they obtained MLE of model parametersand associated standard errors. We propose ageneral MCMCEM method for arbitrary distributionsof random effects. In particular,we use Huber’sleast favourabe distribution to obtain robustestimators and associated standard errors. Empiricalresults are presented to demonstrate the advantageof robust estimators.

Mercredi 15 juin • Wednesday, June 15, 11:00 – 12:30 125[MS-138]Maximum likelihood estimation and inference in non-normal random effects modelsEstimation du maximum de vraisemblance et inférence dans des modèles à effet aléatoire non normalPeng ZHANG & Peter SONG, Unversity of Waterloo, Annie QU, Oregon State UniversityWe propose maximum likelihood estimation andinference in linear mixed models when random ef-Nous proposons une estimation du maximum de vraisemblanceet de l’inférence dans des modèles linéaires mixtesfects might be non-normal. We assume that the quand l’effet aléatoire peut ne pas être normal. Nous supdistributionof random effects follows a family of posons que la distribution des effets aléatoires suit une faparametricdistributions which include the normal mille de distributions paramétriques qui admet la loi normaleas a special case. This approach provides an ex- comme cas spécial. Cette approche donne une extension dutension of a typical normal random effects model, modèle à effet aléatoire normal habituel et permet égalementand also allows heavy tail t-distributed or positively des effets aléatoires à queues épaisses de loi t ou positiveskewedrandom effects. We develop a general fixed ment asymétriques. Nous développons un algorithme poncpointalgorithm to obtain the maximum likelihood tuel fixe général pour obtenir l’estimateur du maximum deestimation for both fixed effects and variance com- vraisemblance pour les paramètres d’effets fixes et des componentparameters. We also propose a lack-of- posantes de la variance. Nous proposons également un testfit test to assess the departure of the normal ran- d’ajustement pour évaluer la distorsion par rapport à l’efdomeffects from a given non-normal random ef- fet aléatoire normal d’une distribution non normale d’effetfects distribution. To illustrate the proposed meth- aléatoire. Pour illustrer les méthodes proposées, nous anaods,we investigate two distribution families for lysons deux familles de distribution pour l’effet aléatoire, larandom effects, the multivariate t-distribution and distribution t multivariée et les familles de distributions semithe semi-nonparametric (SNP) distribution fami- non-paramétriques. Nous montrons des résultats d’études delies. We provide both simulation studies and data simulations et des exemples d’analyse de données, et comanalysisexamples, and compare our approach to parons notre approche à l’algorithme EM existant.the existing EM-algorithm.[MS-139]The Analysis of Multivariate Repeated Measures Data with Structured CovariancesAnalyse de données de mesures répétées multivariées avec covariance structuréeLisa LIX, University of ManitobaMultivariate repeated measures (RM) data, whicharise when responses are collected across multipleoccasions for two or more correlated outcomes,are common in studies of health-related quality oflife. Choosing the correct covariance structure iscritical for obtaining unbiased estimates of RM effectsin a joint general linear mixed model. Likelihoodratio tests of Kronecker product and sphericalcovariance structures are highly sensitive to samplesize and non-normal distributions. Simulationsshow that the Aikake and Schwarz information criteriafrequently select the wrong covariance structure.The effect of covariance misspecification ontests of RM effects is also examined.Les données de mesures répétées (MR) multivariées surviennentlorsque les réponses sont recueillies à plusieurs oc-casions pour deux résultats corrélés ou plus. Elles sont fré-quentes dans les études sur la qualité de vie reliées à la santé.Le choix de la bonne structure de covariance est critique pourobtenir des estimations sans biais de l’effet des MR dans unmodèle général linéaire mixte conjoint. Les tests de rapportde vraisemblance du produit de Kronecker et les structuresde covariances sphériques sont très sensibles à la taille del’échantillon et à la non normalité. Les simulations montrentque les critères d’information de Akaike et Schartz sélec-tionnent fréquemment la mauvaise structure de covariance.Nous examinons également l’effet de la mauvaise spécifica-tion de la covariance sur les tests de l’effet de MR.

126 Mercredi 15 juin • Wednesday, June 15, 11:00 – 12:30[MS-140]Clustering countries according to socioeconomic and behavioural measures of disease riskClassification de pays selon des mesures socio-économiques et comportementales du risque de maladiesMelanie BUITENDYK, Nicole FERKO, Michele KOHLI & Nancy RYAN, Innovus Research Inc.Des modèles sur la santé et l’économie peuvent être utiliséspour prédire le résultat d’une maladie. Des analysesspécifiques aux pays sont souvent requises, cependant pastoujours possibles à cause des limites de temps pour effec-tuer les analyses. Nous discutons comment nous appliquonsl’analyse en composantes principales suivie d’une analysede clusters pour réduire le nombre de mesures et le nombrede groupes de pays. Treize mesures socio-économiques etcomportementales ont été réduites en utilisant une combi-naison de facteurs de factorisations et un nombre gérable defacteurs à inclure dans l’analyse de clusters. Deux méthodesde clusters ont été appliquées sur 170 pays et la plus appro-priée fut sélectionnée. Le nombre optimal de groupe à étédéterminé selon un accord entre quatre critères statistiques.Health-economic models can be used to predictdisease outcomes. Country-specific analyses areoften required, which are not always feasible becauseof modeling time restrictions. We will discusshow we applied principal components analysisfollowed by cluster analysis (CA) to reduce thenumber of measures and group countries. Thirteensocio-economic and behavioural measures were reducedusing a combination of factoring criteria andmanageable number of factors to include in the CA.Two clustering methods were performed on 170countries and the most appropriate chosen. The optimalcluster number was determined using consensusamongst 4 statistical criteria.[MS-141]Model selection for hierarchical linear regression models for longitudinal dataSélection de modèles de régression linéaire hiérarchique pour données longitudinalesGeneviève LEFEBVRE, Alain C. VANDAL & Russell STEELE, McGill UniversityModel selection in a Bayesian framework is notstraightforward, particularly when dealing with hierarchicalmodels. Among the most common toolsto compare models are the Bayesian InformationCriterion (BIC), the Marginal Likelihood (ML) viaposterior model probabilities, and the Deviance InformationCriterion (DIC). The aim of the projectwas to do model selection on five hierarchical linearregression models fitted on longitudinal neurologicaldata. Regressions were performed usingGibbs sampling, and for each model the effect oftwo or three covariates was allowed to vary betweensubjects. The implementation and results ofmodel selection are discussed and presented for theBIC, ML and DIC.La sélection de modèle dans le contexte bayésien présentedes difficultés, particulièrement lorsque l’on considère desmodèles hiérarchiques. Parmi les outils les plus utilisés afinde comparer différent modèles sont le Critère d’InformationBayesien (CIB), la Vraisemblance Marginale (VM) via lesprobabilités a posteriori des modèles, ainsi que le Critèred’Information de la Déviance (CID). L’objectif du projetétait d’effectuer une sélection de modèles sur cinq régres-sions linéaires hiérarchiques ajustées à des données neuro-logiques longitudinales. Les régressions furent obtenues enutilisant l’échantillonneur de Gibbs, et pour chacun des mo-dèles l’effet de deux ou trois covariables pouvait varier entreles sujets. L’implémentation et les résultats de la sélection demodèles sont discutés et présentés pour le CIB, la VM et leCID.

Mercredi 15 juin • Wednesday, June 15, 11:00 – 12:30 127[MS-142]Kuhnian perspectives applied to the increasing popularity of Bayesian approaches in Health Care research:Is it a paradigm shift?Perspectives de Kuhn appliquées à la popularité croissante de l’approche bayésienne en recherche sur lasanté : est-ce que ce changement est un paradigme ?Afisi ISMAILA, McMaster UniversityTwo statistical approaches, Bayesian and the frequentistapproach, are fundamental to inferenceLes approchent statistiques bayésiennes et fréquentistes sontfondamentales pour l’inférence et la prise de décision en reanddecision-making in health care research. Both cherche sur la santé. Ces deux approches traitent de l’apprenfrequentistand Bayesian approaches address learn- tissage dans l’incertitude, mais elles diffèrent sur plusieursing under uncertainty but they differ in a variety aspects. L’approche fréquentiste a dominé jusqu’à récemofways. The frequentist approaches have been ment, mais les développements récents dans les méthodesthe dominant one until recently when the advances numériques ont rendu l’approche bayésienne très pratiquein computational methods have made the Bayesian pour surpasser certaines difficultés rencontrées avec les mémethodsa handy tool for overcoming some of the thodes classiques. Cette présentation utilise les perspectivesdifficulties encountered by the use of frequentist de Kuhn pour examiner si le changement vers les méthodesmethods. This talk uses the Kuhn’s perspectives bayésiennes est réellement un paradigme en recherche métoexamine whether Bayesian analysis is really a dicale.paradigm shift in medical research.Session 10G Mercredi 15 juin • Wednesday, June 15, 11:00 – 12:30 211Sampling and Design IssuesQuestions de sondage et de plannification[MS-143]Two-treatment repeated measurement designs for a model with self and mixed carryover effectsDesigns de mesures répétées pour deux traitements pour un modèle avec des effets résiduels uniques etmixtesYuanyuan LIANG & Keumhee Cho CARRIÈRE, University of AlbertaNous considérons le problème de trouver des designs de mesuresrépétées à p périodes pour deux traitements qui mini-misent la variance du meilleur estimateur linéaire sans biais(MELSB) pour le contraste de traitements basé sur le mo-dèle d’effets résiduels uniques et mixtes de Afsarinejad etHedayat (2002, JSPI). Pour p = 2, les contrastes dans leseffets directs du traitement ne peuvent pas être estimés sansbiais pour le modèle considéré. Pour p > 2, des mesuresde référence améliorent légèrement l’efficacité lorsque p estimpair et n’aident pas du tout lorsque p est pair. Ainsi, l’uti-lisation d’une mesure de référence n’est pas recommandéepour construire des plans optimaux sous le modèle d’effetsrésiduels uniques et mixtes.We consider the problem of finding p-period repeatedmeasurements designs for two-treatmentthat minimize the variance of the best linear unbiasedestimator (BLUE) of the treatment contrastbased on the self and mixed carryover effects modelproposed by Afsarinejad and Hedayat (2002, JSPI).For p = 2, contrasts in direct treatment effects cannotbe estimated unbiasedly under the model beingconsidered. For p > 2, baseline measurements improveefficiency only slightly for p odd, and areof no help for p even. Therefore, use of the baselinemeasurement is not recommended when constructingoptimal designs under the self and mixedcarryover effects model.

128 Mercredi 15 juin • Wednesday, June 15, 11:00 – 12:30[MS-144]Modelling left censored durations in analyzing repeated durations dataModélisation de durées censurées à gauche dans l’analyse de données de durées répétéesAli Reza FOTOUHI, University College of the Fraser ValleyTwo types of sampling can be considered in renewalprocesses. In the first type of sampling eachDeux types d’échantillonnage peuvent être considérés pourdes processus de renouvellement. Dans le premier typeindividual is under observation within a fixed ob- d’échantillonnage, chaque individu est sous observationservational window. In the second type of sam- pour une fenêtre de suivi fixe. Dans le second type, chacunpling each individual is under observation for a des individus est sous observation pour nombre fixe de dufixednumber of completed durations, from the start rées complétées à partir du début de l’échantillonnage. Desof sampling. Simulation results and an analysis of résultats de simulation et une analyse de données réellesreal data demonstrate the substantial parameters es- démontrent le biais substantiel dans l’estimation des paratimationbiases which can occur in analysing re- mètres lorsqu’on analyse des données de durées répétées, sipeated durations data if proper account is not taken l’on ne tient pas compte des durées interrompues censuréesof intrrupted, left-censored, durations at the begin- à gauche au début de la fenêtre d’observation. Les méthodesning of the data window. Conditional or joint like- de vraisemblances conditionnelles ou conjointes peuvent rélihoodmethods overcome this problem.gler ce problème.[MS-145]Sampling schemes for studying growth of childrenPlans d’échantillonnage pour étudier la croissance des enfantsRam YADAV & Padam SINGH, Indian Council of Medical ResearchThe studies relating to growth children generallycover the age from 0 to 18 years. In these studies,the parameters of interest are the norm (i.e, theaverage of the characteristic under study ), growth(i.e .change in average) and velocity (i.e. changein the growth ) at different ages during the period.For this, generally longitudinal schemes are usedwhich take long time, pose a number of organizationalproblems and involve more expenses. Inthese situational problems and involve more expenses.In these situations, linked cross sectionalscheme (LCS) considered by Rao & Rao (1966) ismore feasible, less expensive and permits a morecarefully planned collection of data. Singh and Yadav(1991) studied linked cross sectional schemefor studying growth of children. An attempt hasbeen done in this paper to compare the efficiency ofthe Linked cross sectional schemes for estimationof norm, Growth and velocity during the period ofgrowth of children. Generalized estimation procedureshave been developed and expressions for theoptimum estimators along with their variances havebeen derived. It has been observed that the linkedcross sectional scheme provides more efficient estimatorsas compared to pure cross-sectional andpure longitudinal schemes.Les études reliées à la croissance des enfants couvrent généralementles âges de 0 à 18 ans. Dans ces études, les para-mètres d’intérêts sont la norme (i.e. la moyenne des caracté-ristiques à l’étude), la croissance (i.e. le changement dans lamoyenne) et la vélocité (i.e. le changement de croissance) àdifférents âges durant la période de croissance. Pour cela, desplans longitudinaux sont généralement utilisés ce qui prenddu temps, pose un certains nombre de problèmes organisa-tionnels et implique plus de dépenses. Dans ces situations,le plan lié trans-sectionnel (LTS) considérés par Rao et Rao(1966) et plus plausible, moins coûteux et permet une col-lecte de données plus délicate. Dingh et Yadac (1991) ontétudié le plan lié trans-sectionnel pour analyser la croissancedes enfants. Cet article tente de comparer l’efficacité desplans liés trans-sectionnels pour l’estimation de la norme,la croissance et la vélocité durant la période de croissancedes enfants. Des procédures d’estimations généralisées ontété développées et des expressions pour les estimateurs opti-maux ainsi que leur variance ont été dérivées. Il a été observéque le plan lié trans-sectionnel donne de meilleurs estima-teurs comparativement aux plans purement trans-sectionnelset purement longitudinaux.

Mercredi 15 juin • Wednesday, June 15, 13:30 – 15:00 129[MS-146]Asthma Prevalence and its relationship with age, sex, and location: A National Population Health Surveystudy: 1994-2001La prévalence de l’asthme et sa relation avec l’âge, le sexe et la localisation : une étude sur l’Enquêtenationale de santé publique 1994-2001Sunita GHOSH & Punam PAHWA, University Of SaskatchewanAsthma prevalence is on the rise, and is moreprevalent in adult females compared to males. TheLa prévalence de l’asthme est en hausse et beaucoup plusfréquente chez les femmes adultes que chez les hommes.purpose of the study was to examine the relation- Le but de l’étude est d’examiner la relation entre la prévashipof asthma prevalence with sex, age group [0- lence de l’asthme et le sexe, le groupe d’âge [0-4, 5-14 (ca-4, 5-14 (reference category), 15-34, 35-64 and 65+ tégorie de référence), 15-34, 35-64 et 65 ans+] et la localiyears],and location [rural vs. urban]. National sation [rural vs urbain]. Dans l’Enquête nationale de santéPopulation Health Survey, questionnaire data was publique (ESNP), des données provenant de questionnairesexamined at four time periods. Logistic regression ont été examinées à quatre périodes de temps. Une analyseanalysis was conducted for each of NPHS cycles to de régression logistique a été effectuée pour chaque cyclestudy the above relationship. In order to adjust for de l’ENSP pour étudier les relations mentionnées ci-dessus.clustering and estimating standard error of regres- Pour ajuster pour l’erreur de classification et d’estimationsion estimates in such complex survey data boot- des estimés de régression pour de telles données de sondagestrap weights were used. The results showed that complexe, des poids bootstrap ont été utilisés. Les résultatsasthma was more prevalent in females, urban loca- montrent que l’asthme est plus prévalente chez les femmestion and in the age group 15-34 years.vivant dans une région urbaine et provenant du groupe d’âge15-34 ans.Session 11A Mercredi 15 juin • Wednesday, June 15, 13:30 – 15:00 133Special Invited Session of the Survey SectionSéance spéciale de l’invité du groupe d’enquête[MS-147]Bootstrapping in complex surveysBootstrap pour des sondages complexesRandy SITTER, Simon Fraser UniversityAn overview of the developments in bootstrappingmethods in complex surveys. Discussion will includethe bootstrap, balanced repeated replications,balanced bootstrap, random grouping and relatedtopics, partially balanced repeated replications, andrelationships and comparisons between them. Notionsof reduced numbers of replicate weights, publiclyreleased data, and data disclosure issues willbe touched upon. Some things have been accomplished,some are still being considered and somechallenges still remain.Nous effectuerons un survol des développements des méthodesbootstrap dans les sondages complexes. Les discus-sions porteront sur le bootstrap, les réplications répétées ba-lancées, le bootstrap balancé, la classification aléatoire et sessujets connexes, les réplications répétées partiellement ba-lancées ainsi que les relations et les comparaisons entre cestechniques. Nous aborderons également les notions de ré-duction du nombre de poids de réplication, des données ren-dues publiques et des problèmes de publications. Certainesdifficultés ont été résolues, d’autres sont présentement consi-dérées et plusieurs défis demeurent.

130 Mercredi 15 juin • Wednesday, June 15, 13:30 – 15:00Session 11B Mercredi 15 juin • Wednesday, June 15, 13:30 – 15:00 214Case Study II: The National Longitudinal Study on Children and Youth (NLSCY)Étude de cas II : L’Enquête longitudinale nationale sur les enfants et les jeunes (ELNEJ)[MS-148]Presentation of the Data SetPrésentation du jeu de donnéesPeggy NG, York UniversityUn sous échantillon du jeux de données synthétique de L’Enquêtelongitudinale nationale sur les enfants et les jeunes(ELNEJ) est utilisé pour introduire les problèmes reliésà l’estimation et au calcul de la variance pour des son-dages longitudinaux. Plusieurs problèmes reliés aux com-portements et aux soins des enfants sont des préoccupationsimportantes des canadiens, ainsi le jeu de données fut crééavec l’objectif que l’étudiant confronte une situation réalistedans une étude longitudinale et évalue la meilleur approchepour analyser et présenter des données pour répondre auxquestions de recherche.A sub-sample of the synthetic data file from the NationalLongitudinal Study on Children and Youth(NLSCY) is used to introduce the problems relatedto estimation and variance calculation in longitudinalsurveys. Many issues relating to children’s behaviourand care are important concerns for Canadiansand so the data set was created with the objectivethat the student confronts a realistic situationin a longitudinal study and assesses the best way inwhich to analyze and present the data to answer theresearch questions.Session 11C Mercredi 15 juin • Wednesday, June 15, 13:30 – 15:00 241Analysis of gene expression dataL’analyse des données d’expression génétique.[MS-149]Statistical methods for gene clustering from high-throughput dataMéthodes statistiques pour la classification de gènes à partir de données à haute résolutionJennifer BRYAN, University of British ColumbiaI use the term "high-throughput data" to encompassa large variety of current assays in which a responseJ’utilise le terme " données à haute résolution " pour encadrerune grande variété d’études dans lesquelles une réismeasured across a range of conditions or sub- ponse est mesurée à travers un ensemble de conditions oujects for a large number genes (often for practically sujets pour un grand nombre de gènes (souvent un génomean entire genome). This certainly includes tran- au complet). Ceci inclus entre autres le profilage transcripscriptionalprofiling via microarrays, as well as, for tionnel par les microréseaux, ainsi que les études phénotyexample,highly parallel phenotypic studies in the piques fortement parallèles dans l’ensemble de délétion deyeast deletion set. A common use of such data is la levure. Une utilisation habituelle pour de telles donnéesto cluster genes, with the hope that apparent gene est la classification de gènes, où l’on espère que les groupesclusters will have substantial overlap with biolog- apparents de gènes chevaucheront suffisamment les groupesical gene groups, such as pathways, protein com- biologiques de gènes tels que les voies, les complexes deplexes, or regulons. I will present statistical meth- protéines ou les régulons. Je présente des méthodes statisodsfor interpreting the significance of gene clus- tiques pour interpréter la signification des groupes de gènesters, statistical arguments for choosing divisive and et des arguments statistiques permettant de sélectionner despartitioning algorithms over agglomerative, and an algorithmes de division et de partition pour l’agglomération.interesting use of survival analysis to compute a Je présente également une utilisation intéressante de l’ana-

Mercredi 15 juin • Wednesday, June 15, 13:30 – 15:00 131p-value for hierarchical clusters. These methods lyse de survie pour calculer une valeur-p pour des groupesand results will be illustrated in real datasets from hiérarchiques. Ces méthodes sont illustrées à l’aide de jeuxongoing collaborations, including HTP phenotypic de données réels tirés de collaborations en cours, incluantstudies of the yeast deletion set and time courses des études phénotypiques HTP de la délétion de la levure etin both fermenting wine yeast and differentiating du cours du temps dans la fermentation du vin et la différenmurinestem cells.tiation des cellules souches de murin.[MS-150]Weighted likelihood estimation with application to micro-array dataEstimation par vraisemblance pondérée avec applications pour les données de microréseauxSteven WANG, York UniversityThe (relevance) weighted likelihood is introducedto formally embrace a variety of statistical proceduresthat trade bias for precision. That likelihood,unlike the classical likelihood, combines all relevantinformation while inheriting many of its desirablefeatures including good asymptotic properties.We propose to choose the adaptive weights bycross-validation. We show that the weighted likelihoodestimator (WLE) with adaptive weights to beweakly consistent and asymptotically normal. Resultsof simulation studies have shown that WLEout-performs the traditional maximum likelihoodestimator for small and moderate samples. An applicationto micro-array data is also demonstrated.La vraisemblance pondérée est introduite pour inclureformellement une variété de procédures statistiques quiéchangent biais contre précision. Contrairement à la versionclassique, cette vraisemblance combine toute l’informationutile tout en héritant de plusieurs de ses bonnes propriétésasymptotiques. Nous proposons de sélectionner les poidsadaptatifs par validation croisée et montrons que l’estima-teur de vraisemblance pondérée (EVP) avec les poids adap-tatifs est faiblement consistent et asymptotiquement normal.Des résultats d’études de simulations ont montrés que l’EVPperforme mieux que l’estimateur du maximum de vraisem-blance traditionnel pour des échantillons de petite taille pe-tite ou de taille modérée. Une application aux données demicroréseaux est également présentée.[MS-151]Gene selection and prediction of survival information under the Cox proportional hazards modelSélection de gènes et prévision de l’information de survie sous le modèle de taux de panne proportionnel deCoxWenqing HE, University of Western OntarioThere is extensive research on the prediction of variousclinical phenotypes using gene expression profiles.Success has been demonstrated in molecularclassification of different cancer types. However,relatively less attention has been paid to study theconnection of gene expressions to times to eventsof patients such as time to metastasis and time todeath due to cancer. It is of scientific interest toselect informative genes based on survival informationin order to make prediction for cancer patients.In this talk, I will discuss a method to selectsurvival relevant genes under the Cox proporionalhazards model, and to build a predictive model usingthose selected genes. Numerical studies will bediscussed to assess the proposed method.Il y a beaucoup de recherche portant sur la prévision de différentsphénotypes cliniques qui utilisent les profiles d’ex-pression des gènes. On a démontré beaucoup de succès enclassification moléculaire de différents types de cancer. Ce-pendant, beaucoup moins d’attention est portée à l’étude desconnections entre l’expression des gènes et les temps jus-qu’à un événement chez le patient, comme par exemple letemps jusqu’à l’arrivé d’un métastase ou le temps jusqu’àla mort dû à un cancer. Il est d’intérêt scientifique de sélec-tionner des gènes informatifs basé sur l’information de sur-vie, pour effectuer des prévisions pour des patients atteintsdu cancer. Dans cette présentation, je discute d’une méthodede sélection de gènes qui ont un intérêt pour la survie sousle modèle de taux de panne proportionnel de Cox. Je dis-cute également de la construction d’un modèle de prévisionen utilisant les gènes sélectionnés auparavant. Je montre des

132 Mercredi 15 juin • Wednesday, June 15, 13:30 – 14:30résultats d’études numériques pour évaluer la méthode proposée.Session 11D Mercredi 15 juin • Wednesday, June 15, 13:30 – 14:30 217Business and industrial statistics methods and applicationsMétholodogie et applications de la statistique industrielle et de gestion[MS-152]Mining functional dataExploration de données fonctionnellesSofia MOSESOVA, University of Waterloo, Hugh CHIPMAN, Acadia University, Jock MACKAY & Stefan STEINER,University of WaterlooIn this talk we explore a number of different techniquesfor analyzing functional data, with a par-Dans cette présentation, nous explorons un certain nombrede techniques pour analyser des données fonctionnelles avecticular emphasis on curve-clustering. Following une attention particulière sur la classification de courbes. EnRamsay & Silverman (1997), smoothing splines suivant la démarche de Ramsay et Silverman (1997), nousare used to examine differences between the curves utilisons des splines de lissage pour analyser les différencesusing a functional version of analysis of variance. entre les courbes avec une version fonctionnelle de l’ana-The coefficients of these smoothing splines are also lyse de variance. Les coefficients de ces splines de lissageutilized as low-dimensional summaries of the data, sont également utilisés comme résumé à faible dimensionwhich are then used to cluster the curves. The pour les données et sont ensuite utilisés pour classifier lesproposed curve-clustering model is a generalized courbes. Le modèle de classification de courbes proposé estversion of a model-based technique, which allows une version généralisée d’une technique basée sur les mobothrandom and fixed functional effects to be esti- dèles qui permet aux effets fonctionnels fixes et aléatoiresmated simultaneously. These techniques are moti- d’être estimés simultanément. Ces techniques sont motivéesvated and illustrated with a high-dimensional data et illustrées avec un jeu de données à grande dimension prosettaken from the automotive industry.venant de l’industrie automobile.[MS-153]A new mixture discriminant model for drug discovery dataUn nouveau modèle discriminant de mélanges pour des données de recherche de nouveaux médicamentsXu (Sunny) WANG, University of Waterloo, Hugh CHIPMAN, Acadia University, William WELCH, University of BritishColumbiaEn recherche de nouveaux médicaments, les modèles statistiquessont des outils puissants pour prédire l’activité decomposés contre des cibles biologiques. Dans ce problèmed’apprentissage supervisé, les descripteurs des structuresmoléculaires (ex. le poids atomique, les types d’amalgameset plusieurs autres caractéristiques exotiques) sont utiliséspour prédire une activité. Les caractéristiques des donnéesde recherche de nouveaux médicaments incluent la raretédes composés actifs, les mécanismes multiples et la grandedimension de l’espace des descripteurs. Les méthodes discri-minantes de mélanges conventionnelles ont de la difficulté àtrouver le meilleur modèle pour les données dû à la com-plexité du jeu de données et au nombre de paramètres. OnIn drug discovery, statistical models are a powerfultool for predicting activity of compounds againstbiological targets. In this supervised learning problem,descriptors of molecular structure (e.g. atomicweight, types of bonds, many other exotic characteristics)are used to predict activity. The featuresof drug discovery data include the rareness of activecompounds, multiple mechanisms, and highdimensional descriptor spaces. Conventional mixturediscriminant methods have difficulty findingthe best model for the drug discovery data due tothe complication of data sets and the number of parameters.It is believed that the biological activity

Mercredi 15 juin • Wednesday, June 15, 13:30 – 14:30 133croit que l’activité biologique de composés dépends seule-ment de quelques descripteurs, ce qui nous mène à présen-ter un nouveau modèle de mélange qui possède moins deparamètres et qui vise à prévoir en utilisant plusieurs sous-espaces (i.e. plusieurs mécanismes). L’algorithme EM estutilisé pour estimer les paramètres, en conjonction avec desvaleurs initiales soigneusement choisies.of compounds only depends on several descriptors,so we introduce a new mixture model, which hasfewer parameters, and seeks to predict using multiplesubspaces (ie multiple mechanisms). The EMalgorithm is used to estimate parameter, in conjunctionwith carefully chosen initial values.[MS-154]Affine futures and forward pricesContrat à termes et évaluation postérieures affinesCody HYNDMAN, University of WaterlooPour une classe de modèles de facteurs du prix d’un titre risquépayant des dividendes stochastiques dans une économieavec des taux d’intérêts stochastiques, nous montrons quelorsque le processus des facteurs est défini par une diffusiongaussienne ou racine carré affine, les contrat à termes et lesévaluation postérieures du titre risqué sont des fonctions ex-ponentielles affines. Les prix des contrats à termes et des éva-luation postérieures sont obtenus en utilisant respectivementla mesure neutre au risque pour les prix contrats à termes ré-investis comme numéraire et la mesure neutre au risque pourles prix contrats à termes réinvestis dans des obligations àcoupons zèro comme numéraire. Nous discutons brièvementde la calibration pour des données de marché.For a class of factor models for the price of a riskyasset paying stochastic dividends in an economywith stochastic interest rates we show that when thefactors process is defined by a Gaussian or squarerootaffine diffusion the forward price and futuresprice of the risky asset are exponential affine functions.The futures price and forward price are obtainedby using the risk neutral measure for thereinvested futures price as numeraire and the riskneutral measure for the forward price reinvestedin the zero-coupon bond as numeraire respectively.Calibration to market data is breifly discussed.[MS-155]Statistical distributions for service timesDistributions statistiques pour des temps d’appels de serviceAdebolanle ADEDIGBA, University of SaskatchewanUn centre de service à la clientèle constitue un groupe deressources qui fourni une interface entre un fournisseur deservice et sa clientèle. La gestion des centres de service estcompliquée parce qu’il est essentiel de répondre à plusieurstypes d’appels nécessitant différentes qualifications, le toutdans un délai respectable tout en conservant un niveau dequalité de service raisonnable. La quantification de ce ni-veau de qualité de service requiert la modélisation du tempsd’appel.A (customer) contact center is a collection of resourcesproviding an interface between a serviceprovider and its customers. Management of contactcenters is complicated because it is essential toserve many different call types requiring differentservice skills in a timely fashion; thus there is needto maintain a reasonable service level. Quantifyingthis service level requires modeling of service time.Traditionally, in the context of queuing theory,exponential distribution has been used in modelingservice times due to its markov property,thus making the analysis of the queue convenient(M|M|S|N). But unfortunately, real life data seldomfollow exponential distribution. In this presentation,lognormal distribution as a statisticalmodel, is discussed and fitted to overall servicetime of a help desk and to four major service types.Traditionnellement, dans le contexte de la théorie des filesd’attente, la distribution exponentielle a été utilisée pourmodéliser les temps d’appels à cause de sa propriété marko-vienne, rendant commode l’analyse du modèle (M|M|S|N).Cependant, les données réelles suivent rarement des distribu-tions exponentielles. Dans cette présentation nous discutonsde la distribution log normale comme modèle statistique et

134 Mercredi 15 juin • Wednesday, June 15, 13:30 – 15:00Phase-type distribution is introduced and fitted tothe same data.nous ajustons ce dernier au temps de service global d’uncentre de service à la clientèle pour quatre types de services.Une distribution de type phase est introduite et ajustée auxmêmes données.Session 11E Mercredi 15 juin • Wednesday, June 15, 13:30 – 15:00 200Clinical Trials and Related IssuesEssais cliniques et questions associées[MS-156]Efficient estimation of semi-parametric models for censored cost-effectiveness dataEstimation efficace de modèles semi paramétriques pour des données censurées coût-efficacitéEleanor PINTO, University of Toronto & Hospital for Sick Children, Andrew WILLAN,Cost-effectiveness analysis of clinical trial datausually focuses on the differences in mean costL’analyse coût-efficacité de données d’essais cliniques focalisehabituellement sur les différences entre les coûts moyensand effectiveness between two treatment groups. et l’efficacité entre deux groupes de traitement. Ces diffé-These differences can be estimated through semi- rences peuvent être estimées par des modèles semi paraméparametricmodels that express a patient’s expected triques qui exprime les coûts et l’efficacité anticipés d’uncost and expected effectiveness as linear functions patient comme une fonction linéaire de covariables et deof baseline covariates and treatment groups. Ap- groupes traitement sous-jacents. La manipulation appropriéepropriate handling of censored data is vital if the de données censurées est vitale pour la consistance de l’esestimatorsfor the regression coefficients are to be timateur des coefficients de régression. Même si la pondéraconsistent.Although inverse-probability weight- tion de probabilité inverse réussie cela, l’estimateur résultanting achieves this, the resulting estimators may not n’est pas nécessairement efficace. En appliquant des résulbeefficient. By applying existing results on semi- tats existant sur l’efficacité semi paramétrique, nous suggéparametricefficiency, we suggest new estimators, rons des nouveaux estimateurs et évaluons leur efficacité parand evaluate their efficiency relative to the inverse- rapport aux estimateurs de probabilité inverse à l’aide d’uneprobability estimators through a simulation study. étude de simulation.[MS-157]Competing risks methodology enhances interpretation of the defibrillator in acute myocardial infarctiontrial (DINAMIT)La méthodologie de risques concurrents améliore l’interprétation du défibrillateur lors d’essais sur lesinfarctus du myocarde aigus (DINAMIT)Kevin THORPE, University of Toronto, Robin ROBERTS, McMaster University, Stefan HOHNLOSER, J.W. GoetheUniversity, Paul DORIAN, St. Michael’s Hospital, Stuart CONNOLLY & Michael GENT, McMaster UniversityPlusieurs essais cliniques visant à prévenir la mort anticipentque l’intervention à l’étude cible une cause spécifique demortalité. Cette supposition mène vers un problème clas-sique de risques concurrents. Cependant, peu d’essais consi-dèrent ce problème dans l’analyse et la publication des résultats.DINAMIT (NEJM 2004) est un essai randomisé de thérapiepar médicamentation optimale avec ou sans un défibrillateurcardiovasculaire implantable (DCI) pour des survivants ré-cents d’un infarctus du myocarde. Une réduction significa-Many clinical trials aimed at preventing death anticipatethat the study intervention targets a specificcause of death. This assumption leads to a classiccompeting-risks problem, yet few trials consider itin their analysis and publication.DINAMIT (NEJM 2004) is a randomized trial ofoptimal drug therapy with or without an ImplantatableCardioverter-Defibrillator (ICD) in recent myocardialinfarction survivors. A significant reductionin arrhythmic death in favour of ICD was off-

Mercredi 15 juin • Wednesday, June 15, 13:30 – 15:00 135set by an increase on non-arrhythmic death for anet effect of no difference.Competing-risks modelling suggest that ICD patientssaved from arrhythmic death in DINAMITsimply died another way.tive de la mortalité arythmique en faveur du DCI était effacéepar une augmentation de la mortalité non arythmique résultantainsi à aucun effet net.La modélisation des risques concurrents suggère que les pa-tients avec DCI dans l’essai DINAMIT qui ne sont pas mortsd’un problème cardiaque sont tout simplement morts d’uneautre cause.[MS-158]The semiparametric mixture model for competing risks dataModèle semi-paramétrique de mélanges pour des données de risques concurrentsGabriel ESCARELA, Universidad Autonoma Metropolitana, Mexico CityWe study a model for survival analysis in sampleswhich are subject to multiple modes of failure. WeNous étudions un modèle d’analyse de survie pour deséchantillons qui sont sujets à plusieurs types d’échecs. Nousdeal with a semiparametric specification of a mix- utilisons une spécification semi-paramétrique d’un modèleture model which allows us to adjust for concomi- de mélanges qui nous permet de tenir compte de variablestant variables and to assess their effects on the prob- concomitantes tout en évaluant leur effet sur la probabilitéabilities of eventual causes of failure through a gen- d’éventuelles causes d’échec à travers un modèle logistiqueeralized logistic model, and of the corresponding généralisé. Les fonctions de pannes conditionnelles corresconditionalhazard functions by employing the Cox pondantes, obtenues à l’aide d’un modèle de taux de panneproportional hazards model. Estimation of the co- proportionnel de Cox, sont aussi étudiées. Nous estimonsefficients are obtained by using an EM algorithm les coefficients en utilisant un algorithme EM basé sur unebased on a profile likelihood construction. The construction profilée de la fonction de vraisemblance. Lesmethods proposed are demonstrated on a prostate méthodes proposées sont illustrées à l’aide d’un jeu de doncancerdata set.nées sur le cancer de la prostate.[MS-159]A copula model for the Markov regression of time series count dataUn modèle de copules pour la régression markovienne de données de comptage de séries chronologiquesGabriel ESCARELA, Universidad Autonoma MetropolitanaA general parametric class of transitional modelsfor the analysis of serially correlated counts is pre-Une classe paramétrique générale de modèles transitionnelspour l’analyse de dénombrements sériellement corrésented.The first-order Markov chain model is de- lés est présentée. Le modèle de chaînes de Markov du prefinedby the transition probabilities, which are con- mier ordre est défini par les probabilités de transitions quistructed from a bivariate copula, and the station- sont construites à partir d’une copule bivariée et de la distriarydistribution. Because overdispersion in the data bution stationnaire. Puisque la surdispersion dans les donisnot attributable solely to the autocorrelation, we nées n’est pas attribuable uniquement à l’autocorrélation,propose marginal models for overdispersion based nous proposons des modèles marginaux basés sur la familleon the Double Poisson family formulation. The Double Poisson. Le modèle de transition proposé est utiliséproposed transition model is used to extend a class pour étendre une classe de modèles de mélanges de distribuofmixture transition distribution models for the tions de transitions pour l’analyse de régression de chaînesregression analysis of high-order Markov chains. de Markov d’ordre élevé. Quelques propriétés intéressantesSome relevant properties of the Markov chain are des chaînes de Markov seront discutées.discussed.

136 Mercredi 15 juin • Wednesday, June 15, 13:30 – 14:30[MS-160]Bayesian meta-analysis of trials of chemotherapy with radiotherapy in the management of patients withnewly diagnosed locally advanced squamous cell or undifferentiated nasopharyngeal cancerMéta-analyse bayésienne d’essais de chimiothérapie avec radiothérapie pour la gestion de patientsnouvellement diagnostiqués de cellules squameuses localement avancées ou d’un cancer rhino-pharyngiennon différenciéXiaohui (Helen) GUO, Lehana THABANE, Kullathorn THEPHAMONGKHOL & George BROWMAN, McMaster University,Ian HODSON, McMaster UniveristyWe discussed the results of Bayesian meta-analysisof the effect adding chemotherapy to radiother-Nous discutons des résultats de la méta-analyse bayésiennede l’effet d’ajouter la chimiothérapie à un traitement de raapytreatment in patients with newly diagnosed lo- diothérapie pour des patients nouvellement diagnostiquéscally advanced squamous cell or undifferentiated de cellules squameuses localement avancés ou d’un cancernasopharyngeal cancer. Two major outcomes are rhino-pharyngien non différencié. Les deux principales vatwo-yeardisease-free survival and two-year overall riables d’intérêt sont la survie sans maladie après deux anssurvival. Bayesian meta-regression models were et la survie globale après deux ans. Des modèles de métausedto determine the impact of timing and regi- régression bayésiens ont été utilisés pour déterminer l’immentof chemotherapy on survival. We also com- pact de la synchronisation et du régime de la chimiothérapiepared the Bayesian results with those obtained with sur la survie. Nous avons également comparé les résultatsthe classical random effects model.bayésiens à ceux obtenus à partir des modèles à effet aléatoiresclassiques.[MS-161]Assessment of the quality of reporting of obesity trials. A systematic review.Évaluation de la qualité de diffusion d’essais sur l’obésité, une revue systématiqueRong CHU, James DOUKETIS, Lehana THABANE & Kurl CUDDY, McMaster UniversityThis study is a systematic review of the literature toassess the quality of reporting of final publicationsof randomized controlled trials that investigatedweight loss interventions in patients with obesity.The revised CONSORT checklist was adapted toevaluate reporting as well as other general questionson clinical assessments of obesity. The Pearsonand partial correlation coefficients were calculatedto describe the relationships between qualityof reporting score and other variables that includepublication year. Overall, the quality of reporting isvery low and varied substantially between differentobesity therapies.Cette étude est une revue systématique de la littérature pourévaluer la qualité de la diffusion des publications finales desessais randomisés contrôlés qui analysent les interventionsde perte de poids chez des patients obèses. La liste de vérificationrévisée CONSORT a été adaptée pour évaluer ladiffusion ainsi que d’autres questions d’ordre générale surl’évaluation clinique de l’obésité. Les coefficients de corré-lation de Pearson et de corrélation partielle ont été calcu-lés pour décrire la relation entre un score de qualité de ladiffusion et d’autres variables qui incluent l’année de publi-cation. De manière générale, la qualité de diffusion est trèsfaible et varie substantiellement entre différentes thérapiespour l’obésité.

Mercredi 15 juin • Wednesday, June 15, 13:30 – 14:30 137Session 11F Mercredi 15 juin • Wednesday, June 15, 13:30 – 14:30 212Correlated Discrete DataDonnées discrètes corrélées[MS-162]Use of Markov transition model to analyze longitudinal smoking (WSSP3) dataUtilisation du modèle de transition markovien pour analyser des données longitudinales sur le tabagisme(WSSP3)Rashid AHMED, Steve BROWN & Paul MCDONALD, University of WaterlooWe examined a progressive three-state model forlongitudinal data from a community trial that incorporatesa random effect distribution. Our modelallows the distributions of the transition times betweenstates to depend on: covariates, duration oftime in the previous state, and correlation structurefor the individuals who remain in the same classor community. We tracked the progression of studentsannually through three states: non-smoker,regular smoker, and quitter. Exact timing of transitionthrough states is unknown.The EM algorithm was used to estimate the modelparameters and the MCMC method was used to testdifferent random effect distributions.Nous examinons un modèle progressif à trois états qui inclutune distribution de l’erreur aléatoire, pour des données longi-tudinales d’une étude communautaire. Notre modèle permetune dépendance des distributions des temps de transitionssur les covariables, sur le temps passé dans l’état précédantet sur la structure de corrélation pour les individus qui res-tent dan la même classe ou communauté.Nous suivons annuellement la progression d’étudiants à tra-vers trois états : non fumeur, fumeur régulier et arrêt de fu-mer. Le temps exact de la transition entre les états est in-connu.L’algorithme EM est utilisé pour estimer les paramètres dumodèle et la méthode MCMC pour tester différentes distri-butions d’effets aléatoires.[MS-163]Mixed Markov models for spatiotemporal multi-state processesModèles markoviens mixtes pour des processus spatio-temporels à plusieurs étatsFarouk NATHOO & Charmaine DEAN, Simon Fraser UniversityStudies of recurring infection or chronic disease oftencollect longitudinal data on the disease status ofLes études d’infections récurrentes ou de maladies chroniquesrecueillent souvent des données longitudinales sur lesubjects. Multi-state transitional models are often statut de la maladie des sujets. Les modèles transitionnelsemployed for analysis in such studies where at any multi-états sont souvent utilisés dans de telles études, où àpoint in time, individuals may be said to occupy n’importe quel moment les individus occupent un des enoneof a discrete set of states and interest centers sembles d’états, et l’emphase est mise sur le processus deon the transition process between states. In this transition entre les états. Dans cette présentation, nous disworkwe discuss the use of Mixed Markov mod- cutons de l’utilisation des modèles markoviens mixtes pourels for the analysis of such longitudinal data when l’analyse de telles données longitudinales lorsque les procestheprocesses corresponding to different subjects sus correspondants à différents sujets peuvent être corrélésmay be correlated spatially over a region. Markov spatialement sur une région. Les modèles de Markov qui inmodelsincorporating spatially correlated random corporent des effets aléatoires de corrélation spatiale sont ineffectsare introduced in the context of two applica- troduits dans le contexte de deux applications. La premièretions. The first is a study of recurrent weevil infes- est l’étude d’une infestation récurrente de charançons danstation in British Columbia forests and the second a les forêts de la Colombie-Britannique et la deuxième unestudy of revascularization intervention in Quebec. étude sur les intervention de revascularisation au Québec.

138 Mercredi 15 juin • Wednesday, June 15, 15:30 – 17:00[MS-164]Panel event history data with incompletely observed variablesDonnées d’événements historiques de panel avec des variables observées incomplètesBethany GIDDINGS, Richard COOK & Grace YI, University of WaterlooMeasurement error can have a complex effect onestimates arising from interval censored event his-Les erreurs de mesures peuvent avoir un effet complexe surles estimations provenant de données d’événements histotorydata. This talk will focus on the impact of riques censurées par intervalle. Cette présentation met l’accovariatemeasurement error in progressive multi- cent sur l’impact des erreurs de mesures de covariables dansstate models with data arising from panel (intermit- des modèles progressifs multi-états avec des données protent)observation. This type of problem can arise venant d’observations de panel (intermittentes). Ce type defrequently in clinical settings (e.g. when disease problèmes peut survenir fréquemment dans un cadre cliprogressionis of interest and patient information is nique (par exemple lorsqu’on veut suivre la progressioncollected during irregularly spaced physician vis- d’une maladie et que l’information sur le patient est collecits).Empirical biases in covariate effects will be tée sporadiquement lors de visite chez le médecin). Nousstudied via simulation and ways of addressing mea- étudions les biais empiriques dans l’effet des covariablessurement error in analysis will be discussed. à l’aide de simulations et nous discutons des manières deconsidérer les erreurs de mesures dans les analyses.[MS-165]Calibrating prediction intervals for recurrent eventsCalibrage d’intervalle de prédiction d’événements récurrentsMarc FREDETTE, HEC MontréalIn many applications there are types of events occurringrepeatedly over time. It is often of interestto predict the future number of occurrences ofthese events. Usually, these predictive statementsare made using plug-in prediction intervals. However,it is well-known that this approach can provideintervals with a coverage probability substantiallybelow the desired level.Considering cases where these recurrent events canbe modeled using non-homogeneous Poisson processeswith random effects, I will present methodsto obtain intervals with coverage probabilitiescloser to the desired level. This will be done usingcalibration techniques and Bayesian-like methods.Il est fréquent de rencontrer des situations où des événementsse produisent plusieurs fois dans le temps. Il est alorsintéressant de prédire le nombre d’occurrences de ces évé-nements dans le futur. Habituellement, ces prédictions sonteffectuées à l’aide d’intervalles de prédiction de type « plug-in ». Malheureusement, cette approche nous procure souventdes intervalles ayant des probabilités de couverture sous lesseuils désirés.En supposant que l’occurrence de ces événements peut êtremodélisée avec des processus de Poisson non-homogènesavec effets aléatoires, je présenterai des méthodes nous per-mettant d’avoir des intervalles ayant des probabilités de cou-verture plus près des seuils voulus. Nous atteindrons ce buten utilisant des techniques de calibrage et des méthodes semblablesaux méthodes bayésiennes.

Mercredi 15 juin • Wednesday, June 15, 15:30 – 17:00 139Session 12A Mercredi 15 juin • Wednesday, June 15, 15:30 – 17:00 241CRM-SSC Award AddressAllocution du lauréat du Prix CRM-SSC 2005

140 Mercredi 15 juin • Wednesday, June 15, 15:30 – 17:00Session 12B Mercredi 15 juin • Wednesday, June 15, 15:30 – 17:00 214Design of experimentsPlanification d’expériences[MS-166]Designing experiments for multi-stage processesPlanification d’expériences pour des processus multi-niveauxDerek BINGHAM, Simon Fraser University, Elizabeth KELLY & David OLIVAS, Los Alamos National Laboratories,Randy SITTER, Simon Fraser UniversityMany industrial processes require several steps ofproduction. To help learn about the system dynam-Plusieurs processus industriels requièrent plusieurs étapesde production. Pour aider à comprendre la dynamique duics a designed experiment, using a fractional facto- système, un plan d’expérience utilisant un plan factorielrial plan, can be performed. The usual designs re- fractionnel peut être utilisé. Les plans habituels requièrentquire independent observations, which can require des observations indépendantes, pouvant ainsi demandertoo many operations of each stage of experimenta- trop d’opérations à chacune des étapes de l’expérience. Partion. Instead, experiment units can be grouped at ailleurs, les unités expérimentales peuvent être groupées àeach stage, allowing several units to be processed chaque étapes, permettant ainsi à plusieurs unités d’êtresimultaneously. In this talk, a grouping scheme traitées simultanément. Dans cette présentation, nous inisintroduced that maintains the fractional factorial troduisons une méthode de regroupement qui maintient lastructure of the design and also facilitates simple structure factorielle fractionnelle du plan d’expérience etand efficient analysis. The selection of an optimal qui facilite les analyses simples et efficaces. La sélection dudesign in this setting is also discussed. The group- plan optimal dans cette situation est également discutée. Laing scheme is demonstrated on a real experiment méthode de regroupement est illustrée pour une expérienceconducted at Los Alamos National Lab.réelle conduite au Los Alamos National Lab.[MS-167]Designing efficient simulations for exploring features of response surfacesConception de simulations efficaces pour explorer les caractéristiques de surfaces de réponsesGeorge MICHAILIDIS, University of Michigan, Derek BINGHAM & Pritam RANJAN, Simon Fraser UniversityDans plusieurs applications en ingénierie, on est intéressé àidentifier les valeurs des intrants qui mènent à une réponsesupérieure à un seuil prédéfini dans des expériences infor-matiques. Dans cet exposé, nous introduisons une méthodo-logie statistique qui identifie les contours désirés dans l’es-pace des intrants. L’approche proposée possède trois com-posantes principales. Premièrement, un modèle stochastiqueest utilisé pour approximer la surface de réponse globale.Le modèle est utilisé comme un substitut au modèle infor-matique sous jacent et donne un estimé du contour et unemesure d’incertitude basée sur l’ensemble actuel des essaisinformatiques. Ensuite, une stratégie pour sélectionner lesexpérimentations informatiques subséquentes pour amélio-rer l’estimation du contour est illustrée. Finalement, nousdiscutons comment le contour est extrait et représenté. Laméthode est illustrée par un exemple d’un système multi-classe de file d’attente.In many engineering applications, one is interestedin identifying the values of the inputs in computerexperiments that lead to a response above a prespecifiedthreshold. In this talk we introduce statisticalmethodology that identifies the desired contourin the input space. The proposed approach hasthree main components. Firstly, a stochastic modelis used to approximate the global response surface.The model is used as a surrogate for the underlyingcomputer model and provides an estimate ofthe contour together with a measure of uncertainty,given the current set of computer trials. Then, astrategy for choosing subsequent computer experimentsthat improve the estimation of the contour isoutlined. Finally, we discuss how the contour is extractedand represented. The methodology is illustratedwith an example from a multiclass queueingsystem.

Mercredi 15 juin • Wednesday, June 15, 15:30 – 17:00 141[MS-168]Expected number of follow-up runs and cost for two-level fractionalNombre de séquences subséquentes espéré et coûts pour un plan fractionnel à deux niveauxCrystal LINKLETTER, Randy SITTER & Boxin TANG, Simon Fraser UniversityTwo-level fractional factorial (FF) designs are convenientfor screening experiments because they canLes plans fractionnels factoriels (FF) à deux niveaux sontutiles pour filtrer des expériences parce qu’ils peuvent êtrebe used to search through a large number of candi- utilisés pour chercher à travers un grand nombre de facteursdate factors in only a fraction of the trials required potentiels avec seulement une fraction du nombre d’essaisby a full factorial design. To achieve this reduc- requis par un plan complètement factoriel. Cependant, pourtion in run-size, however, some effects are con- obtenir cette réduction du nombre de séquences, certains effounded,or aliased, and so the results of the anal- fets sont confondus et ainsi les résultats de l’analyse peuventysis may be ambiguous. It is often suggested that être ambigus. Il est souvent suggéré que le filtrage devraitscreening should be viewed as a two-stage process: être vu comme un processus à deux niveaux. Premièrement,First, an experiment is chosen, performed, and ana- une expérience est choisie, mise en application et analysée.lyzed. Given these results, at the second stage, sup- Selon les résultats obtenus à l’étape précédente, d’autres séplementalruns are conducted to resolve any am- quences expérimentales sont effectuées pour résoudre toutebiguities and isolate the active factors. With this ambiguïté et isoler les facteurs actifs. Avec cette approchesequential approach in mind, clearly it would be séquentielle en tête, il serait clairement avantageux de pouadvantageousto be able to anticipate at the outset voir anticiper le nombre de séquences expérimentales néhowmany additional runs will likely be needed at cessaire au deuxième niveau sachant le plan original. Cecithe second stage given the original design. This est une considération pratique de sélection d’un bon planis a practical consideration in terms of choosing a d’expérience, d’estimation, de réduction des coûts et d’atgooddesign, estimating and reducing costs, and al- tribution des ressources au début de l’expérience. Il est à nolocatingresources at the beginning of experimenta- ter que le nombre de séquences subséquentes requises pourtion. It has been noted in passing that the number identifier le vrai modèle sous jacent dépend de la distribuoffollow-up runs that will be needed to identify tion des effets actifs sur les structure confondues du planthe true underlying model depends on how the ac- initial (Cheng, Steinberg and Sun, 1999 ; Miller and Sitter,tive effects are distributed over the alias structure 2001). Dans cette exposé, nous présentons des techniquesof the initial design (e.g. Cheng, Steinberg and spécifiques pour obtenir le nombre espéré de séquences sub-Sun, 1999; Miller and Sitter, 2001). In this article, séquentes pour un plan, nous les évaluons pour plusieurswe present specific techniques for obtaining the ex- plans et nous les utilisons comme une nouvelle approchepected number of follow-up runs for a design, eval- pour comparer les plans du nombre minimal d’aberrationsuate it for several designs, and use it as a new way (MA) et du maximum d’effets clairs (CE) sous différentesto compare minimum aberration (MA) and maxi- hypothèses de connaissance a priori.mum clear effect (CE) designs under differing assumptionsof a priori knowledge.

142 Mercredi 15 juin • Wednesday, June 15, 15:30 – 17:00Session 12C Mercredi 15 juin • Wednesday, June 15, 15:30 – 17:00 217Large deviations in statisticsDéviations importantes en statistique[MS-169]The complete convergence rates and the law of logarithm for the dependent bootstrap of the meanTaux de convergence complet et loi du logarithme pour la moyenne bootstrap dépendanteS. Ejaz AHMED, University of Windsor, A.I. VOLODIN, University of ReginaFor a sequence of random variables the convergencerate (that is Baum-Katz/Hsu-Robbins/SpitzerPour une séquence de variables aléatoires, le taux de convergence(c’est-à-dire un résultat du type convergence complètecomplete convergence type result) and the law de Baum-Katz/Hsu-Robbins/Spitzer) et la loi du logarithmeof logarithm is obtained for the dependent boot- sont obtenus pour la moyenne bootstrap dépendante. Dansstrapped means. In this investigation, the se- cette étude, les variables aléatoires de la séquence ne doiventquences of random variables need not necessar- pas nécessairement être indépendantes et identiquement disilybe independent or identically distributed. Fur- tribuées. De plus, aucune hypothèse n’est faite sur la distrither,no assumptions are made concerning either bution marginale ou conjointe des variables aléatoires.the marginal or joint distributions of the randomvariables.[MS-170]Poisson limits for empirical point processesLimites pour des processus ponctuels empiriquesAndre DABROWSKI, University of Ottawa, Rafal KULIK, University of Ottawa & Wroclaw University, Gail IVANOFF,University of OttawaFor a sequence of independent and identically distributedrandom vectors, one may define the nthPour une suite de vecteurs aléatoires indépendants et identiquementdistribués, on peut définir le nième processus poncempiricalpoint process as the random point mea- tuel empirique comme la mesure ponctuelle aléatoire avecsure with masses at the first n observations, suitably des masses aux n premières observations, convenablementscaled. For appropriate scaling constants, we ob- proportionnés. Pour des constantes appropriées, nous obtetainthe weak limit of these point processes through nons la limite faible de ces processus ponctuels par une utianovel use of a method based on convergence of lisation novatrice d’une méthode basée sur la convergencethe compensators of multiparameter-indexed mar- des compensateurs des martingales à indice multidimensiontingales.The method extends previous results on nelle. La méthode étend des résultats précédents des procesempiricalpoint processes of random variables to sus ponctuels empiriques des variables aléatoires au cas desthe case of random vectors, and limits at interior vecteurs aléatoires, et aux quantiles intérieurs. Des applicaquantiles.Applications are provided to nearest- tions sont fournies à l’estimation de densité de plus prochesneighbour density estimation in high dimensions, voisins dans des dimensions élevées, et aux extrêmes multiandto multivariate extremes.dimensionnels.

Mercredi 15 juin • Wednesday, June 15, 15:30 – 17:00 143[MS-171]Asymptotic results for an m out of n Bayesian bootstrapRésultats asymptotiques pour un bootstrap bayésien de m éléments dans nMahmoud ZAREPOUR, University of Ottawa, Hemant ISHWARAN, Cleveland Clinic Foundation, L.F. JAMES, HongKong University of Science and TechnologyIt is a well known fact that the Efron’s usual bootstrapfails for the mean of heavy tail distributions.C’est un fait connu que le bootstrap usuel développé parEfron échoue pour la moyenne de distributions à queuesWe demonstrate that this same type of failure also épaisses. Nous démontrons que cette même difficulté suroccursin many types of weighted bootstraps, in- vient également dans plusieurs type de bootstrap pondéré,cluding the Bayesian bootstrap. Only through a incluant le bootstrap bayésien. C’est seulement par une sécarefulselection for the weights we can produce lection minutieuse des poids que nous pouvons construirea consistent weighted bootstrap procedure that une procédure de bootstrap pondéré convergente. Nous fourwillwork. Examples illustrating the application nissons des exemples illustrant ces méthodes dans les cas oùof these methods in cases where the bootstrap is nous savons que le bootstrap échoue et nous suggérons desknown to fail are given and further generalizations généralisations futures.are suggested.Session 12D Mercredi 15 juin • Wednesday, June 15, 15:30 – 17:00 133Model and design based inference for sample surveysInférence fondée sur le modèle et sur le plan pour les sondages[MS-172]How important is the informativeness of the sample design?Quelle est l’importance de "l’informativité" du plan d’échantillonnage ?Milorad KOVACEVIC, David BINDER & Georgia ROBERTS, Statistics CanadaLes plans d’échantillonnage complexes typiques mènent àdes échantillons informatifs, c’est à dire que la distributiond’une variable dans l’échantillon est différente de celle dansla population. Pour déterminer et mesurer l’impact de "l’in-formativité ", nous comparons les variances associées auplan de sondage et celles basées sur des modèles de paramètresestimés (ainsi que l’estimation des paramètres) pourun modèle logistique sous l’hypothèse que le modèle est adé-quat. Pour une modélisation appropriée des données à partird’un échantillon informatif, nous considérons deux possibi-lités pour évaluer les paramètres du modèle : la premièreconsiste à utiliser l’inférence dans le contexte de l’utilisa-tion d’un plan de sondage et la deuxième l’approche mo-déliste. Pour adresser la complexité additionnelle de l’im-pact de "l’informativité " sur la puissance, nous proposonsune nouvelle approximation pour une combinaison linéairede distributions khi-deux non centrées et utilisant les effetsde plan généralisés. Une vaste étude de simulation où l’ongénère une population à partir du modèle postulé en utili-sant les paramètres estimés à partir de NPHS nous permetde détecter et de mesurer "l’informativité ", et également decomparer la robustesse des approchées étudiées.Typical complex sample designs lead to informativesamples, that is, the distribution of a variablein the sample is different from its distribution inthe population. To determine and measure the impactof informativeness we compare design-basedand model-based variances of estimated parameters(as well as the estimated parameters themselves)in a logistic model under the assumption that thepostulated model is true. For an appropriate modellingof data from informative samples we considertwo possibilities: to use the design-based inferenceabout the model parameters or to use themodel-based inference. In order to address the additionalcomplexity of the impact of informativenesson power, we propose a new approximationfor a linear combination of non-central chi-squaredistributions, using generalized design effects. Alarge simulation study, based on generating a populationunder the postulated model, using parameterestimates derived from the NPHS, allows us todetect and to measure the informativeness, and tocompare the robustness of studied approaches.

144 Mercredi 15 juin • Wednesday, June 15, 15:30 – 16:45[MS-173]Model robust inference in survey samplingInférence robuste basée sur des modèles en échantillonnageNarasimha PRASAD & Subhash LELE, University of AlbertaModel based and model assisted approaches areknown to perform better than the purely design-Les approches modélistes et assistées par des modèles sontreconnues pour mieux performer que les approches purebasedapproach, provided the assumed model is ment randomisées, en autant que le modèle proposé soit apappropriate.We consider a convex combination proprié. Nous considérons une combinaison convexe d’unof a parametric and a non-parametric model where modèle paramétrique et non paramétriques où le poids pourthe weight for the parametric model is determined le modèle paramétrique est basé sur la validité de ce dernier.based on the ‘adequacy’ of it. This compromise Ce compromis entre le modèle paramétrique et non parabetweenparametric and non-parametric models métrique permet un compromis entre le biais et la variance.provides bias-variance trade-off. This approach Cette approche est robuste pour la mauvaise spécification duprovides robust inference against model miss- modèle. Nous évaluons la performance de cette méthode parspecification. We evaluate the performance of this des simulations pour des plans d’échantillonnages stratifiésmethod for stratified random sampling and PPS et PPS avec remplacement. Nous illustrons la méthode enwith replacement sampling designs using simula- utilisant des données de sondage sur les dépenses familiales.tions. We illustrate the method using family expendituresurvey data.[MS-174]IRT modeling for latent variable in complex surveysLa modélisation par la TRI de variables latente pour les enquêtes à plan complexAndre CYR, Alexander DAVIES & Claude GIRARD, Statistics CanadaLa Théorie de la Réponse aux Items (TRI) est un outil populairepour modéliser les traits latents. Les méthodes de laTRI a un historique établi en psychométrie et permet la ca-ractérisation par modèle des items d’un test ainsi que de laprédiction des traits des individus. L’Enquête LongitudinaleNationale des Enfants et des Jeunes (ELNEJ) est une des en-quêtes de Statistique Canada qui utilise la TRI afin de dériverdes mesures pour des variables latentes. La présentation seraun survol des plusieurs étapes prises par Statistique Canadapour dériver les paramètres de ces modèles psychométriquespour des enquêtes à plan complexe, afin de dériver les me-sures pertinentes de capacité pour les enfants pour des finsd’analyse longitudinale.Item Response Theory (IRT) is a popular modelingtool for measuring latent traits. IRT methods havea long history in the field of psychometrics, andprovide a model-based method for characterisingboth test items and predictions of individual traits.Statistics Canada’s National Longitudinal Surveyof Children and Youth (NLSCY) is one of manysurveys that use IRT to derive latent variable measurement.The presentation will outline the manysteps taken by Statistics Canada to apply psychometrictechniques to derive appropriately measuredmodel parameters in the complex design settingand to derive relevant ability scores for children tosupport longitudinal analysis.

Mercredi 15 juin • Wednesday, June 15, 15:30 – 16:45 145Session 12E Mercredi 15 juin • Wednesday, June 15, 15:30 – 16:45 211Theoretical survey methodsMéthodes d’enquête théoriques[MS-175]The outlier detection and modeling method proposed for the gst replacement project of the monthlywholesale and retail trade surveyDétection de valeurs aberrantes et méthode de modélisation pour le projet de remplacement du sondagemensuel sur les ventes aux détails et en gros par des données de la TPSRobert PHILIPS, Statistics CanadaStatistics Canada undertakes the Monthly Wholesaleand Retail Trade Survey (MWRTS) which producesestimates based on monthly data collectedfor sales and inventories at various province and industrylevels. These estimates are a substantial portionof the estimates for the Gross Domestic Product(GDP) and the sales trend is an important economicindicator. In response to budgetary concernsand the need to reduce respondent burden coupledwith the availability of good quality data obtainedfrom Canada Revenue Agency’s Goods and ServicesTax (GST) Program Statistics Canada hasembarked on a process whereby the use of this GSTdata would be integrated into sub-annual businesssurveys. This paper will outline the outlier detectionand modeling method proposed in relating thesales of enterprises to GST data. The method is derivedfrom a Bayesian hierarchical model for outliersin the univariate linear model. Results basedon MWRTS data will be presented.Statistique Canada effectue le sondage mensuel sur lesventes aux détails et en gros (EMCGD) qui donne des es-timations basées sur des données mensuelles sur les venteset les inventaires collectées dans différentes provinces etdifférents niveaux d’industries. Ces estimations constituentune portion substantielle de l’estimation du produit intérieurbrute (PIB) et la tendance des ventes est un indicateur écono-mique important. En raison de contraintes budgétaires, pourréduire le fardeau des répondants, et suite à la disponibilitéde données fiables obtenues de agence de Revenu Canadaet du programme de la Taxe sur les produits et les services(TPS), Statistique Canada à entamer un projet dans lequell’utilisation des données sur la TPS seraient intégrées à unsondage infra-annuel auprès des entreprises. Cette présenta-tion met en évidence la détection des valeurs aberrantes et laméthode de modélisation proposée pour relier les ventes desentreprises aux données sur la TPS. La méthode est baséesur un modèle bayésien hiérarchique pour des valeurs aber-rantes dans un modèle linéaire simple. Les résultats baséssur les données de l’EMCGD seront présentés.[MS-176]Estimating proportions from survey data by using estimating equations with random recenteringL’estimation des Proportions avec des Plans de Sondage Complexes, en Utilisant des Équations EstimantesAléatoirement RecentréesAvinash SINGH & Catalin DOCHITOIU, Statistics CanadaThe problem of constructing point estimates, SEand CI for proportions is revisited from an estimatingfunction (EF) perspective. It is known thatthe usual frequentist Normality-based CI performspoorly for small p or n, while Bayesian methodshave problems in accounting for complex designs.Use of frequentist EF gives rise to Wilson type CI,with good coverage properties, but the fact thatpoint estimates and SE’s don’t change suggests atheoretical incoherence.Le problème de trouver des estimations ponctuelles et leursécarts types et intervalles de confiance (IC) est revisité dupoint de vue des fonctions estimantes (FE). On sait que lesintervalles de confiance frequentistes, basées sur des sup-positions de Normalité, ont une performance réduite, pen-dant que les méthodes Bayesiennes ont des problèmes quandon utilise des plans de sondage complexes. L’utilisation desfonctions estimantes produit des IC de type Wilson, avecdes bons couvertures, mais le fait que l’estimation des para-mètres et écart types ne change pas suggère une incohérence

146 Mercredi 15 juin • Wednesday, June 15, 15:30 – 16:45théorétique.Utilisant une approche semi-paramétrique Bayesienne, avecun distribution approximativement Normale pour les FE etune distribution a priori uniforme, on obtient une approxima-tion de la distribution a posteriori en resolvant des équationsestimantes aléatoirement re-centrées. On compare des méthodesdifférentes à l’aide des simulations. L’utilisation desapproximations Edgeworth comme une alternative à la Nor-male est aussi considérée dans un cadre frequentiste ainsique Bayesien.Under a semiparametric Bayesian approach withapproximate Normal distribution for the EF, alongwith a uniform prior, an empirical approximationto the posterior distribution is obtained, by solvingrandomly recentered estimating equations. Differentmethods are compared using a simulation study.Use of Edgeworth approximations as an alternativeto normality is also considered for both frequentistand Bayesian settings.[MS-177]A refinement of the regression composite estimator in the labour force surveyUne alternative à l’estimateur par la régression composite à l’enquête sur la population activeCynthia BOCCI & Jean-François BEAUMONT, Statistics CanadaL’enquête sur la population active est une enquête mensuelle,stratifiée à plusieurs degrés avec renouvellement de l’echan-tillon. L’objectif principal de l’enquête est de produire desestimations de taux d’emploi et de chômage. Les estima-tions sont obtenues par la méthode de la régression com-posite qui utilise des variables auxiliaires définies à partirde variables d’intérêt du mois précèdent. Pour le groupe derenouvellement naissant, ces variables auxiliaires sont man-quantes. Présentement, ce problème est réglé en imputantles valeurs manquantes et en modifiant les valeurs des unitésnon-manquantes de telle sorte que l’estimateur qui en résultemaintienne la propriété de convergence par rapport au plan.On propose une nouvelle façon de traiter les valeurs man-quantes dans les variables auxiliaires en utilisant l’imputationcalée.The Labour Force Survey is a stratified multi-stagemonthly survey with a rotating design. Its mainobjective is to provide estimates of employmentand unemployment rates. Estimates are obtainedby composite regression which uses covariates definedwith previous month variables of interest. Forthe new entrants in the survey, these covariates aremissing. This problem is currently dealt with byimputing the missing values and by modifying thevalues of non-missing units in order to maintain thedesign-consistency property of the resulting estimator.We propose a new way of dealing with missingvalues in the covariates using calibrated imputation.[MS-178]Mean squared error estimation for small area means using survey weightsEstimation par l’erreur quadratique moyenne pour la moyenne sur un petit domaine en utilisant les poidsd’échantillonnageMahmoud TORABI & J. N. K. RAO, Carleton UniversityYou and Rao (2002) proposed pseudo-EBLUP estimatorsof small area totals under nested error linearregression models, using survey weights to preservedesign consistency as the area sample sizeincreases. In addition, the estimators have a nicebenchmarking property in the sense of adding upto a reliable direct estimator at a large area level.We have obtained second order approximations tothe MSE of pseudo-EBLUP and its estimator thatare approximately unbiased. Empirical results onthe performance of the proposed approximationsYou et Rao (2002) ont proposé un estimateur pseudo-EBLUP d’un total sur un petit domaine sous des modèlesde régressions linéaires à erreurs emboîtées en utilisant lespoids d’échantillonnage pour préserver l’efficacité du pland’échantillonnage à mesure que la taille de l’échantillon dudomaine augmente. De plus, les estimateurs ont une pro-priété intéressante associée aux estimateurs par calage dansle sens qu’ils se somment vers un estimateur direct fiableau niveau d’un domaine plus large. Nous avons obtenu desapproximations du deuxième ordre pour l’EQM du pseudo-EBLUP et son estimateur qui sont approximativement sans

Mercredi 15 juin • Wednesday, June 15, 15:30 – 16:45 147are also presented.biais. Des résultats empiriques sur la performance des approximationsproposées sont également présentés.[MS-179]Use of generalized design effects for variance function modeling in small area estimation from survey dataL’utilisation des effets de design généralisés pour la modélisation des fonctions de variance dans l’estimationsur de petits domaines à partir de données de sondageHarold MANTEL, Avi SINGH & Yong YOU, Statistics CanadaHabituellement, dans l’estimation sur de petits domainesavec des données de sondages, nous combinons un estima-teur direct basé sur la randomisation avec un estimateur syn-thétique. Le poids donné à l’estimateur direct dépend alorsdu ratio de sa variance par rapport à la variance modéliséede la portion synthétique. Cependant, l’estimateur direct dela variance est habituellement instable et souvent remplacépar un estimateur lissé en utilisant des fonctions de variancegénéralisées (FVG). Dans cette présentation, nous introdui-sons une nouvelle approche à la modélisation des FVG baséesur les effets de design généralisés. L’approche est illustréepar l’estimation du taux de chômage pour les régions métro-politaines de recensement et les centres urbains à partir desdonnées de l’Enquête canadienne sur le travail.In small area estimation using survey data we typicallycombine a direct, design-based estimator witha synthetic estimator, with the weight of the directestimator depending on the ratio of its variance tothe model variance of the synthetic part. However,the direct variance estimate is usually unstable, andis often replaced by a smoothed estimate using generalizedvariance functions (GVF). In this paper weintroduce a new approach to GVF modeling basedon generalized design effects. The approach willbe illustrated by estimation of unemployment ratesfor Census Metropolitan Areas and Urban Centresusing Canadian Labour Force Survey data.Session 12F Mercredi 15 juin • Wednesday, June 15, 15:30 – 16:45 212Statistiscal modeling and applicationsModélisation statistique et ses applications[MS-180]Fitting differential equations to dataAjuster des équations différentielles à des donnéesJiguo CAO, Gregor FUSSMANN & Jim RAMSAY, McGill UniversityLes équations différentielles (ED) sont utilisées pour modéliserle taux de changement d’un processus défini dans letemps, dans l’espace ou tout autre continuum. Dans cet ar-ticle, une méthode permettant d’estimer des ED à partir dedonnées bruitées et utilisant le profilage, afin de réduire la di-mensionalité du problème, est présentée. Cette méthode estbasée sur les méthodes de lissage de données développéespar Jim Ramsay, où une pénalité est définie à l’aide d’un opé-rateur différentiel arbitraire. L’article applique cette méthodeà des données réelles tirées de biologie en utilisant un sys-tème d’équations non-linéaire pour décrire une interactionprédateur-proie publiée dans Science par Gregor Fussmann.Differential equations (DEs) are used to model therate of change of a process defined on time, space,or some other continuum. In this paper, a methodwhich uses profiling to reduce the number of parametersis given for estimating DEs from noisydata, building on methods for smoothing data witha roughness penalty defined by an arbitrary differentialoperator, developed by Jim Ramsay. The paperapplies this method to real data from biology,using a nonlinear system of equations for describinga predator-prey interaction, published in Scienceby Gregor Fussmann.

148 Mercredi 15 juin • Wednesday, June 15, 15:30 – 16:45[MS-181]Modelling extremal dependence - two actuarial problemsModélisation de la dépendance de valeurs extrêmes - deux problèmes actuarielsBruce JONES, University of Western Ontario, Debbie DUPUIS, HEC MontréalNous présentons deux problèmes actuariels pour lesquelsune caractérisation correcte de la dépendance des valeurs ex-trêmes est importante. Le premier problème concerne l’éva-luation de contrats de réassurance responsabilité civile oùon doit comprendre le montant de sinistre et les frais derèglement. Ces variables aléatoires sont dépendantes. Ledeuxième problème concerne le calcul des provisions pourles rentes réversibles où les durées de vie sont dépendantes.Dans les deux cas, nous utilisons les méthodes d’analyse desvaleurs extrêmes multivariées pour l’étude et la modélisationde la dépendance qui ressort des données.We present two actuarial problems for which accuratecharacterization of extremal dependence isimportant. The first involves the calculation of generalliability reinsurance premiums that reflect lossamounts and loss adjustment expenses, the latterbeing dependent. The second involves the calculationof liabilities for joint and last survivor annuitiesfor which the lifetimes are dependent. In bothcases, we make use of tools for the analysis of multivariateextreme values in order to understand andmodel the dependence that is evident from the data.[MS-182]Conduction-based statistics for description of anisotropy in sphere packingsStatistiques basées sur la conduction pour décrire l’anisotropie dans des arrangements de sphèresJeffrey PICKA & Travis STEWART, University of New BrunswickLes arrangements aléatoires de sphères formés par la gravitésont anisotropes. Pour identifier les aspects d’orientationdans leur structure, des modèles de conduction électriquepeuvent être utilisés pour définir des statistiques qui iden-tifient l’orientation de préférence. Ces derniers sont utiliséspour analyser les anisotropies trouvées dans les réalisationsd’algorithmes classiques d’arrangements. Les statistiquespeuvent également être étendues pour analyser d’autres pat-terns ponctuels complexes ou matériaux granuleux.Random sphere packings formed under gravity areanisotropic. To identify aspects of orientation intheir structure, models of electrical conductioncan be used to define statistics that identify preferredorientations. These are used to investigateanisotropies found in realizations of classical packingalgorithms. The statistics can also be extendedto analyze other hard-core point patterns and granularmaterials.[MS-183]Identifying dynamical systemsIdentification des systèmes dynamiquesGiles HOOKER & James RAMSAY, McGill UniversityDifferential Equations are an increasingly popularand powerful tool in modeling real world phenom-Les équations différentielles sont des outils de plus en pluspopulaires et sont très puissantes pour modéliser des phéena.They have been used extensively in models nomènes naturels. Elles ont beaucoup été utilisées dans lesof population dynamics, in neural processes and in modèles de dynamique des populations, dans les processuschemical engineering. Increasingly, they are ap- neuronaux et en génie chimique. Elles commencent à être deplied to noisy data and in situations where parame- plus en plus utilisées pour des données bruitées et dans desters are not known or are poorly estimated.situations où les paramètres sont inconnus ou bien sont malThis talk presents a new approach to the problem of estimés.parameter estimation for systems that are describedby non-linear differential equations. The method- Cet exposé présente une nouvelle approche au problèmeology is based on using a spline approximation us- de l’estimation des paramètres pour des systèmes définis paring the differential operator from the equation as a des équations différentielles non linéaires. La méthodolo-

Mercredi 15 juin • Wednesday, June 15, 15:30 – 17:00 149gie est basée sur l’approximation par des splines en utili-sant l’opérateur différentiel comme pénalité de lissage. Lesparamètres à l’intérieur de la pénalité sont ensuite choisisde manière concurrentielle avec les coefficients des splinespour obtenir un bon ajustement aux données. Je discute dequelques propriétés de la technique et des outils de diagnostiquespour analyser la mauvaise spécification du modèle.smoothness penalty. Parameters within the penaltyare then chosen concurrently with the spline coefficientsto provide a good fit to the data. I willdiscuss some properties of the technique and diagnostictools for analyzing model misspecification.[MS-184]Multi-signal wavelet coherenceCohérence d’ondelettes multi-signauxDavid CAMPBELL & Jim RAMSAY, McGill UniversityLes régions du cerveau associées au système visuel échangentsimultanément de l’information par plusieurs bouclesde feedback pour faire le saut entre l’action de voir et celle dereconnaître un objet. La communication se fait par des im-pulsions électriques et les patrons de couplage de fréquencessuggèrent un transfert d’information. Les fréquences aux-quelles les couplages surviennent changent dans le temps etles impulsions à une certaine fréquence ont souvent un im-pact sur une autre région du cerveau à une autre fréquence.L’analyse des patrons de cohérence d’ondelettes examine leséchanges d’informations entre deux régions sur une petitefenêtre de fréquence de temps. Des idées seront présentéespour étendre l’analyse de cohérence à des impulsions de si-gnaux provenant de plusieurs régions.Regions of the brain associated with the visual systemsimultaneously share information in severalfeedback loops to make the leap from seeing to recognizingobjects. The language of communicationis electrical impulses and instances of frequencycoupling suggest transfer of information. The frequenciesat which the coupling occurs change overtime and the impulses at one frequency often impactanother part of the brain at a different frequency.Wavelet coherence examines the informationsharing in a small time frequency window betweentwo areas. Ideas will be presented which extendcoherence to impulse signals from multiple areas.Session 12G Mercredi 15 juin • Wednesday, June 15, 15:30 – 17:00 200Methods with Censored DataMéthodologie pour les données tronquées[MS-185]Wavelet estimation of density and hazard rate for randomly right censored dataEstimation par ondelettes de la densité et du taux de panne pour des données censurés à droite aléatoirementJahida GULSHAN & Alwell OYET, Memorial University of NewfoundlandIn this study, wavelet estimators of probability densityfunctions and hazard rates are constructed underrandomly right censored data. Nonparametricapproaches are adopted under the assumption thatthe density and hazard rate has no specific parametricform. We propose a modified wavelet kernelbased estimator for probability density functions.Some currently available methods of density andhazard rate estimation using wavelets are comparedto the modified approach.Dans cette étude, des estimateurs par ondelettes de la fonctionde densité et du taux de panne sont construits pour desdonnées censurées à droite aléatoirement. Des approchentnon paramétriques sont adoptées sous l’hypothèse que ladensité et le taux de panne n’ont pas de formes paramé-triques spécifiques. Nous proposons un estimateur modifiébasé sur le noyau d’ondelette pour la fonction de densité.Quelques méthodes existantes d’estimation de la densité etdu taux de panne utilisant les ondelettes sont comparées àl’approche modifiée.

150 Mercredi 15 juin • Wednesday, June 15, 15:30 – 17:00[MS-186]Smooth estimation of mean residual life under random censoringEstimation lisse de la moyenne de vie résiduelle avec censure aléatoireYogendra CHAUBEY & Arusharka SEN, Concordia University, Pranab K. SEN, University of North CarolinaThe methodology developed in Chaubey et al(2003), generalizing the idea of Chaubey and SenNous adaptons la méthodologie développée dans Chaubey etautres (2003) qui généralise l’idée de Chaubey et Sen (1996)(1996), is adapted here for smooth estimation of pour l’estimation lisse de la moyenne de vie résiduelle avecmean residual life under random censoring. A censure aléatoire. Un scénario de pondération modifié estmodified weighting scheme is proposed, as in proposé comme dans Chaubey et Sen (1999), mais n’est pasChaubey and Sen (1999), which is different from basé sur le théorème de Hille. Nous investiguons les propriétheone based on Hille’s theorem in Chaubey and tés asymptotiques de l’estimateur résultant.Sen (1996). Asymptotic properties of the resultingestimator are investigated.[MS-187]A nonparametric trend test for k samples of doubly censored dataUn test de tendance non paramétrique pour K échantillons de données doublement censurésHwashin SHIN, Timothy RAMSAY & Daniel KREWSKI, University of OttawaWe propose a nonparametric statistical methodto compare tumor incidence rates across multipleNous proposons une méthode statistique non paramétriquepour comparer le taux d’incidence d’une tumeur à traverssamples. In a typical carcinogenicity experiment, plusieurs échantillons. Dans une étude de cancérogénicitéanimals are randomly assigned to one of K groups; typique, des animaux sont assignés aléatoirement à un desone is a control group and the others are treated K groupes, un des groupes étant un groupe contrôle et leswith increasing doses of a chemical agent of inter- autres sont traités avec des doses croissantes d’un agent chiest.Animals dying during the study period are sub- mique d’intérêt. Les animaux qui meurent durant la périodeject to necropsy to check if tumors have occurred d’étude sont envoyés en nécropsie pour vérifier si des tuinspecific body tissues. Animals surviving to the meurs sont apparues dans des tissus spécifiques du corps.end of the study are sacrificed and also subject to Les animaux qui survivent jusqu’à la fin de l’étude sont sanecropsy.For each animal the time of death and crifiés pour être autopsiés. Pour chaque animal, le momentthe tumor status (present or absent) are recorded. de la mort et le statut de la tumeur (présent ou absent) sontOur interest is to see whether or not tumor inci- enregistrés.dence rates are increased as the dose of the testagent increases. Some tests which have been pro- Notre intérêt est de voir si les taux d’incidences d’une tuposedto date are based on certain assumptions meur augmentent à mesure que la dose de l’agent chimiqueabout tumor lethality or serial sacrifices. Our testé augmente. Certains tests qui ont été proposés jusqu’àmethod, however, is for the case when such in- ce jour sont basés sur des hypothèses sur la létalité de la tuformationis unavailable and only the death time meur ou les sacrifices sériels. Contrairement à ces derniers,and tumor indicator are available.notre méthode traite les cas où une telle information n’estThe interesting feature of this problem is that exact pas disponible, et seulement le moment de la mort et l’inditumortimes are never available. Either an animal cateur de tumeur sont disponibles.died with a tumor, the time of whose occurrenceis left censored, or else the animal died tumor-free La caractéristique intéressante de ce problème est que leand the tumor time is right censored. Jonckheere temps d’apparition de la tumeur n’est jamais disponible. Soitin 1954 developed a distribution free K-sample test qu’un animal meurt avec une tumeur, le temps d’apparitionagainst ordered alternatives for uncensored data. est alors censuré à gauche, ou bien l’animal est mort sansGehan in 1965 proposed a 2-sample test for doubly aucune tumeur et ainsi le temps d’apparition est censuré àcensored data. In 1970 Breslow generalized the droite. En 1954, Jonckheere a développé un test non paramé-Kruskal-Wallis test for comparing K-samples sub- trique pour K échantillons pour des données non censurées.

Mercredi 15 juin • Wednesday, June 15, 15:30 – 17:00 151En 1965, Gehan a proposé un test pour deux échantillons dedonnées doublement censurés. En 1970, Breslow a généra-lisé le test de Kruskal-Wallis pour comparer K échantillonssujets à des patterns inégaux de censure pour des donnéescensurées à droite seulement. En combinant des idées de cestrois méthodes, mon exposé va présenter un test de tendancepour K échantillons de données doublement censurées.ject to unequal patterns of censorship for only rightcensored data. Combining ideas from these threemethods, my talk will present a k-sample trend testfor doubly censored data.[MS-188]Residual plots for accelerated life regression modelling of dependent bivariate time-to-event dataGraphiques des résidus pour la modélisation de temps de vie accéléré de données dépendantes et bivariéesde temps jusqu’à un événementYun Hee CHOI, David E. MATTHEWS & Grace Y. YI, University of WaterlooWe have previously described accelerated life regressionmodels involving shared frailties to fitNous avons préalablement décris les modèles de régressionde temps de vie accéléré impliquant des fratries partapaireddependent time-to-event data. To assess gées pour ajuster des données dépendantes pairées de tempsmodel fit, we define a residual for each response jusqu’à un événement. Pour évaluer l’ajustement du momeasurementpair via the bivariate probability inte- dèle, nous définissons un résidu pour chaque paires de régraltransformation of univariate residuals derived ponses selon la transformation intégrale de probabilité bifromthe response measurements and the fitted variée pour des résidus univariés provenant des mesures demodel, and use these to confirm the choice of an ap- réponses et du modèle ajusté. Ensuite, nous utilisons ces répropriatefrailty distribution. We also introduce an sidus pour confirmer le choix d’une distribution de fratrieadjustment to accommodate right-censoring of the appropriée. Nous introduisons également un ajustement pouroriginal responses. Through simulation studies and tenir compte de la censure à droite des réponses originales. Àgraphical displays, we characterize the sampling partir d’études de simulations et de sorties graphiques, nousbehaviour of these residuals and demonstrate how caractérisons le comportement d’échantillonnage de ces réwellthese tools address key questions of model fit. sidus et démontrons comment ces outils répondent bien auxquestions d’ajustement de modèles.[MS-189]Confidence intervals for quantiles of the lognormal distributionIntervalles de confiances pour les quantile de distributions log-normalesSteve OVERDUIN & Michael STEPHENS, Simon Fraser UniversityLa distribution log-normale est fréquemment utilisée en statistiquemédicale, particulièrement en analyse de survie.En utilisant un nouveau pivot, nous donnons des formulessimples pour trouver des intervalles de confiances pour lesquantiles sans utiliser un échantillonnage de Monte Carlo.De tels intervalles sont spécialement importants lorsque lesdonnées sont censurées à droite. Les intervalles ont une trèsbonne probabilité de couverture et des logiciels associés sontdisponibles. Quelques remarques seront présentées sur la ro-bustesse des intervalles à la mauvaise spécification de la dis-tribution ajustée.The log-normal distribution is frequently used inmedical statistics, particularly in survival analysis.By using a new pivot, we give simple formulas forfinding confidence intervals for quantiles, withoutthe necessity of Monte Carlo sampling; such intervalsare especially important when the data is rightcensored.The intervals have very good coverageprobabilities, and associated software is available.Some remarks will be offered on robustness of theintervals to mis-specification of the fitted distribution.

152 Mercredi 15 juin • Wednesday, June 15, 15:30 – 17:00[MS-190]Local linear estimators of conditional variance functions under random censorshipEstimateurs linéaires locaux de fonctions de variance conditionnelle avec censure aléatoireXuewen LU, University of Calgary, Wanrong LIU, Hunan Normal UniversityIn this paper, we consider the estimation of conditionalvariance in a heteroscedastic nonparamet-Dans cet article, nous considérons l’estimation de la varianceconditionnelle dans un modèle de régression non paraméricregression model under random censorship. We trique hétéroscédastique avec censure aléatoire. Nous propoproposetwo methods for estimating the conditional sons deux méthodes pour estimer la variance conditionnelle.variance. One is the synthetic-residual-based es- Le premier estimateur est basé sur les résidus synthétiquestimator and the other is the synthetic-data-based et le deuxième est l’estimateur direct basé sur les donnéesdirect estimator. The basic idea is to apply a synthétiques. L’idée de base est d’appliquer une méthode desynthetic-data method and a local linear regression données synthétiques et une régression linéaire locale aux rétosynthetic squared residuals or synthetic data. sidus carrés synthétiques ou aux données synthétiques. NousWe establish the results of asymptotic normality établissons les résultats pour la normalité asymptotique pourfor both estimators. Further, we demonstrate that, les deux estimateurs. De plus, nous démontrons qu’en utiusingsynthetic data, without knowing the regres- lisant les données synthétiques sans connaître la fonctionsion function and the censoring distribution, the de régression et la distribution de censure, l’estimateur basésynthetic-residual-based estimator can estimate the sur les résidus synthétiques peu estimer la variance condiconditionalvariance asymptotically as well as if tionnelle asymptotiquement de même que si les distributionsthe regression and the censoring distribution were de régression et de censures étaient données. Ceci impliquegiven. This implies that the synthetic-residual- que l’estimateur basé sur les résidus synthétiques est efficacebased estimator is efficient and regression-adaptive et régression-adaptatif pour estimer la variance conditionforestimating the conditional variance. Numerical nelle. Des exemples numériques sur des données simulées etexamples with both simulated and real data sets are réelles sont utilisées comme illustration.used as illustration.The translation team did its best. Please forgive us for our misinterpretations, we are neither professional translators norspecialists in all areas of statistics.L’équipe de traduction a fait de son mieux. Excusez-nous pour les erreurs de traduction, nous ne sommes ni des traducteursprofessionnels ni des spécialistes dans tous les domaines de la statistique.

153Author Index • Index des auteursABARIN, Taraneh . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109ADEDIGBA, Adebolanle . . . . . . . . . . . . . . . . . . . . . . . . 133ADEWALE, Adeniyi . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130AHMED, Rashid . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137AHMED, S. Ejaz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .142ALLEN, Brian . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .113ALTMAN, Rachel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60ALVAREZ, Juan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68ANDREEV, Kirill . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88ANGERS, Jean-François . . . . . . . . . . . . . . . . . . . . . . . . . 76ARMSTRONG, Barbara . . . . . . . . . . . . . . . . . . . . . . . . . .110AUGER, Sylvie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74BAILEY, Carmen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90BALAN, Raluca . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62BANERJEE, Sudipto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84BASINGER, Jim . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59BEAUMONT, Jean-François . . . . . . . . . . . . . . . . . . . . . 146BELLHOUSE, David . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62BÉRARD-CHAGNON, Julien . . . . . . . . . . . . . . . . . . . . . . 130BERTHELOT, Jean-Marie . . . . . . . . . . . . . . . . . . . . . . . . .65BIERNACKA, Joanna . . . . . . . . . . . . . . . . . . . . . . . . . . . . .66BINDER, David . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143BINGHAM, Derek . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140BISCHOFF, Wolfgang . . . . . . . . . . . . . . . . . . . . . . . . . . 120BLACKWELL, Debra L. . . . . . . . . . . . . . . . . . . . . . . . . . . 64BLUMBERG, Stephen . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65BOCCI, Cynthia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146BOTTAI, Matteo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112BOUHADDIOUI, Chafik . . . . . . . . . . . . . . . . . . . . . . . . . . . 86BOURBEAU, Robert . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88BOYETT, James . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105BRASHER, Penny . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123BROWMAN, George . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136BROWN, Elizabeth . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60BROWN, Steve . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137BRUNSCHWIG, Hadassa . . . . . . . . . . . . . . . . . . . . . . . . .130BRYAN, Jennifer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130BUITENDYK, Melanie . . . . . . . . . . . . . . . . . . . . . . . . . . 126BULL, Shelley . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66CAMPBELL, David . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149CAMPOS-BONILLA, M. Begoña . . . . . . . . . . . . . . . . . . . 89CANTY, Angelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88, 89CAO, Jiguo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147CARILLO, Ivan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130CARLIN, Brad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .84CARRIÈRE, Keumhee Cho . . . . . . . . . . . . . . . . . . . . . . 127CARROLL, Raymond . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81CASANOVA-GURRERA, Amparo . . . . . . . . . . . . . . . . . . . 89CAUCHON, Caroline . . . . . . . . . . . . . . . . . . . . . . . . . . . 111CHANG, Edward . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90CHAPMAN, Judy-Anne . . . . . . . . . . . . . . . . . . . . . . . . . . 54CHARLEBOIS, Joanne . . . . . . . . . . . . . . . . . . . . . . . . . . .130CHARRON, Dominique . . . . . . . . . . . . . . . . . . . . . 87, 113CHAUBEY, Yogendra . . . . . . . . . . . . . . . . . . . . . . . . . . .150CHEN, Bingshu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119CHEN, Gemai . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .71CHEN, Jiahua . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72, 73CHENOURI, Shojaeddin . . . . . . . . . . . . . . . . . . . . . . . . 102CHIPMAN, Hugh . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132CHOI, Yun Hee . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151CHU, Christina Chor-Yan . . . . . . . . . . . . . . . . . . . . . . 130CHU, Ka Lok . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69CHU, Rong . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .136COLEMAN, Kimberley . . . . . . . . . . . . . . . . . . . . . . . . . 108CONNOLLY, Stuart . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134COOK, Andrea . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83COOK, Richard . . . . . . . . . . . . . . . . . . . . . . . 83, 119, 138COONER, Freda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84COOPER, Michael . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102COPE, Eric . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96COREY, Paul . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123CRAIU, Radu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118CUDDY, Kurl . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136CYR, Andre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144DABROWSKI, Andre . . . . . . . . . . . . . . . . . . . . . . . . . . . 142DAS, Kalyan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124DAVIES, Alexander . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144DAVIS, Karen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65DAVIS, Richard . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93DEAN, Charmaine . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137DESGAGNÉ, Alain . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .76

154 Author Index • Index des auteursDICESARE, Joe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100DILLON, Jo-Anne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59DINU, Irina . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130DOCHITOIU, Catalin . . . . . . . . . . . . . . . . . . . . . . . . . . . 145DOLOVICH, Lisa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88DORIAN, Paul . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .134DOUKETIS, James . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136DRTON, Mathias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122DUCHESNE, Thierry . . . . . . . . . . . . . . . . . . . . . . . . . . . .118DUFOUR, Jean-Marie . . . . . . . . . . . . . . . . . . . . . . . . . . . 86DUPUIS, Debbie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148EARL, Lawrence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97EDWARDS, Betty . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56EINMAHL, Uwe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104EL-SAIDI, Mohammed . . . . . . . . . . . . . . . . . . . . . . . . .102ESCARELA, Gabriel . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135EVANS, Michael . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .76FAN, Zizhong . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117FANG, Miao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59FENG, Rui . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .106FERKO, Nicole . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .126FLEURY, Manon . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113FOTOUHI, Ali Reza . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128FRASER, Don . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .63, 64FREDETTE, Marc . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138FU, Rao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130FUSSMANN, Gregor . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147GAMITO, Eduard . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55GENT, Michael . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134GENTLEMAN, Jane . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64GERACI, Marco . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112GHOSH, Sunita . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129GIDDINGS, Bethany . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138GILLIS, Daniel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87GIRARD, Claude . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144GRUBISIC, Maja . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108GUAY, Mireille . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56GULSHAN, Jahida . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149GUO, Meijie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108GUO, Pengfei . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .55GUO, Xiaohui (Helen) . . . . . . . . . . . . . . . . . . . . . . . . 136GUSTAFSON, Paul . . . . . . . . . . . . . . . . . . . . . . . . . . . 71, 92GUT, Allan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104HAN, Jing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .107HASHEMI, Seyed . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61HE, Wenqing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131HELBING, Caren . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .90ZHANG, Heping . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73HEUNIS, Andrew . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61HODSON, Ian . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136HOETING, Jennifer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .93HOHNLOSER, Stefan . . . . . . . . . . . . . . . . . . . . . . . . . . . 134HOLBROOK, Anne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88HOLT, John . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87, 113HOOKER, Giles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148HOOPER, Peter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57HORROCKS, Julie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112HORVATH, Steve . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95HOWARD, Allan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78HSIAO, Cheng . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72HUANG, Hui . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98HUANG, Jian . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99HYNDMAN, Cody . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133ILHAMTO, Gatot . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108ISHWARAN, Hemant . . . . . . . . . . . . . . . . . . . . . . . . . . . 143ISMAILA, Afisi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88, 127ISOTALO, Jarkko . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69IVANOFF, Gail . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .142JAMES, L.F. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .143JEMIAI, Yannis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82JIANG, Hedy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88JOHNSTON, Karissa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90JONES, Bruce . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148JONES, Richard . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55JUDKINS, David . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117KARUNAMUNI, Rohana . . . . . . . . . . . . . . . . . . . . . . . . . 101KARUNANAYAKE, Chandima . . . . . . . . . . . . . . . . . . . . . . 58KATZOFF, Myron . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109KAWCZAK, Janusz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68KELLY, Elizabeth . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140KELLY, I. W. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .58KEYFITZ, Barbara . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59KHALILI, Abbas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73KHAN, Bashir . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103KHARE, Meena . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65KOHLI, Michele . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126KORU-SENGUL, Tulay . . . . . . . . . . . . . . . . . . . . . . . . . . 113KOUIDER, Elies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102KOVACEVIC, Milorad . . . . . . . . . . . . . . . . . . . . . . . 94, 143KOWGIER, Matthew . . . . . . . . . . . . . . . . . . . . . . . . . . . 130KOZAK, Robert . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118KRENZKE, Thomas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117KREWSKI, Daniel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150

Author Index • Index des auteurs 155KULIK, Rafal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67, 142KUSTRA, Rafal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .96KWON, Jaimyoung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97LAROCHE, Richard . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110LAROCHE, Sylvie . . . . . . . . . . . . . . . . . . . . . . . . . . 75, 111LATOUCHE, Michel . . . . . . . . . . . . . . . . . . . . . . . . . . 74, 75LAVERTY, W. H. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .58LAVERTY, William H. . . . . . . . . . . . . . . . . . . . . . . . . . . . 58LAWLESS, Jerry . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103LE, Lisa Wen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130LE, Nhu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87LEBLANC, Alexandre . . . . . . . . . . . . . . . . . . . . . . . . . . 101LEBLANC, Nancy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130LEE, Sandra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98LEFEBVRE, Geneviève . . . . . . . . . . . . . . . . . . . . . . . . . 126LELE, Subhash . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144LESOSKY, Maia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108LESPERANCE, Mary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90LETAC, Gérard . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122LI, Deli . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104LI, Yi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83LI, Zhengqing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106LIANG, Yuanyuan . . . . . . . . . . . . . . . . . . . . . . . . 127, 130LIN, Jing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .59LIN, Lillian . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109LIN, Shili . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66LIN, Xihong . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .81LINDSAY, Bruce . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107LINKLETTER, Crystal . . . . . . . . . . . . . . . . . . . . . . . . . . 141LISAWADI, Supranee . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67LIU, Jixin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130LIU, Mengling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107LIU, Wanrong . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152LIU, Zhang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130LIU, Zhenqiu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66LIU, Zhong . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87LIX, Lisa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125LOHR, Sharon . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80LOU, Wendy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89LU, Irene . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93LU, Pingguo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86LU, Wenbin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107LU, Xuewen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152MA, Renjun . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84MA, Shuangge . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99MAAROUF, Abdel . . . . . . . . . . . . . . . . . . . . . . . . . . 87, 113MACKAY, Jock . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70, 132MACKINNON, Peter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59MACNEILL, Ian . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85MANTEL, Harold . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147MARCHAND, Éric . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76MARTINEZ, Michael . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65MARTINEZ, Michael E. . . . . . . . . . . . . . . . . . . . . . . . . . . 64MASSAM, Hélène . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122MATTHEWS, David E. . . . . . . . . . . . . . . . . . . . . . . . . . . 151MCDONALD, Paul . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137MCLEISH, Don . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100MCLEOD, Ian . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114MELNICHOUK, Olga . . . . . . . . . . . . . . . . . . . . . . . . . . . .108MERTON, Andrew . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93MICHAILIDIS, George . . . . . . . . . . . . . . . . . . . . . . . 97, 140MICHAUD, Isabelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118MIGLIORETTI, Diana . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60MIKET, M. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58MIREA, Lucia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130MONSOUR, Michael . . . . . . . . . . . . . . . . . . . . . . . . . . . 109MOSESOVA, Sofia . . . . . . . . . . . . . . . . . . . . . . . . . 108, 132MOSHONOV, Hadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76MOUIHA, Aberazzak . . . . . . . . . . . . . . . . . . . . . . . . . . . .85MYLES, Jamie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62NAHM, Erika . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108NAIR, Kalpana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88NATHOO, Farouk . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137NG, Peggy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130NOURIJELYANI, Keramat . . . . . . . . . . . . . . . . . . . . . . . . . 54O’DONNELL, Colin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55OGDEN, Sheryl . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .55OH, Hee-Seok . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78O’HARA HINES, Jeanette . . . . . . . . . . . . . . . . . . . . . . . . 62OLIVAS, David . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140OVERDUIN, Steve . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .151OYET, Alwell . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55, 149PAHWA, Punam . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129PAKYARI, Reza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .101PANTOJA GALICIA, Norberto . . . . . . . . . . . . . . . . . . . . . . 94PENG, Yingwei . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114PENZO-GIACCA, Wilma . . . . . . . . . . . . . . . . . . . . . . . . . . 89PERRON, Francois . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121PETERS, Amy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .108PETKAU, John . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62PHILIPS, Robert . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145PICKA, Jeffrey . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148PINTO, Eleanor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134PRASAD, Narasimha . . . . . . . . . . . . . . . . . . . . . . . 58, 144PRETZEL, Shannon . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

156 Author Index • Index des auteursPRINGLE-NELSON, C. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58PROVOST, Serge . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85PUNTANEN, Simo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69QU, Annie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125RAIS, Nourddine . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .85RAIZENNE, Mark . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56RAMSAY, James . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148RAMSAY, Jim . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147, 149RAMSAY, Timothy . . . . . . . . . . . . . . . . . . . . . . . . . . . . .150RANJAN, Pritam . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140RAO, J. N. K. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124, 146RAO, J.N.K. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80RAO, Jon N.K. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .81RAY, Surajit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .107REEDMAN, Laurie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111REINKER, Stefan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60REN, Qunshu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94, 124RICHARDSON, Thomas . . . . . . . . . . . . . . . . . . . . . . . . . 122ROBERTS, Georgia . . . . . . . . . . . . . . . . . . . . . . . . . . . . .143ROBERTS, Robin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134ROSS, Nancy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65ROSYCHUK, Rhonda . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61ROUSSEAU, Judith . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63ROYCE, Melanie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54RYAN, Nancy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126SALEH, A.K. Md. E . . . . . . . . . . . . . . . . . . . . . . . . . . . 103SALOPEK, Donna . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100SANJEL, Deepak . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85SCHAFER, Joseph . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .117SCHAUBEL, Doulgas . . . . . . . . . . . . . . . . . . . . . . . . . . . 119SCHENNACH, Susanne . . . . . . . . . . . . . . . . . . . . . . . . . . . 71SCHWARZ, Carl . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124SEN, Arusharka . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150SEN, Pranab K. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150SENGUL, Haydar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90SEVERINI, Tom . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .63SHAO, Yongzhao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .107SHEN, Hui . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77, 130SHEN, Samuel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78, 79SHIN, Hwashin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150SINGH, Avi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147SINGH, Avinash . . . . . . . . . . . . . . . . . . . . . . . . . . . 80, 145SINGH, Padam . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128SITTER, Randy . . . . . . . . . . . . . . . . . . . . . . 129, 140, 141SONG, Peter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125SOTEROS, Chris . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68SOTEROS, Christine . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56STADTMUELLER, Ulrich . . . . . . . . . . . . . . . . . . . . . . . . . 105STAUDENMAYER, John . . . . . . . . . . . . . . . . . . . . . . . . . . . 60STEELE, Russell . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126STEINER, Stefan . . . . . . . . . . . . . . . . . . . . . . . . . . . 70, 132STEPHENS, Michael . . . . . . . . . . . . . . . . . . . . . . . . . . . .151STEWART, Travis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148STOFFER, David S. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113STRAWDERMAN, William E. . . . . . . . . . . . . . . . . . . . . . . 76STUDENY, Milan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122STYAN, George P. H. . . . . . . . . . . . . . . . . . . . . . . . . . . . 69SU, Wanhua . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130SUN, Jiayang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72SUN, Lei . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66SUN, Ning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65SUN, Ye . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130SZAFRON, Michael . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56TAI, Patricia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .54TAN, Ming . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105TANG, Boxin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141THABANE, Lehana . . . . . . . . . . . . . . . . . . . . . . . . . 88, 136THEPHAMONGKHOL, Kullathorn . . . . . . . . . . . . . . . . . .136THIESSEN, Heather . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62THOMPSON, Mary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94THOMPSON, Sandra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93THOMPSON, Steven . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109THORPE, Kevin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134TORABI, Mahmoud . . . . . . . . . . . . . . . . . . . . . . . . . . . .146TREMBLAY, Johanne . . . . . . . . . . . . . . . . . . . . . . . . . 74, 75TYMES, Nathaniel . . . . . . . . . . . . . . . . . . . . . . . . . . . . .102UBARTAS, Cindy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130VAN BELLE, Gerald . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69VANDAL, Alain C. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126VANNUCCI, Marina . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92VARAIYA, Pravin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97VIJAYAN, Nair . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .97VOLODIN, Andrei . . . . . . . . . . . . . . . . . . . . . . . . . . 67, 142WALIULLAH, Maria . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108WALSH, Kayo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .55WALTNER-TOEWS, David . . . . . . . . . . . . . . . . . . . . . . . . 87WANG, Hsiao-Hsuan Alice . . . . . . . . . . . . . . . . . . . . . 130WANG, Liqun . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72, 101WANG, Steven . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131WANG, Xu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108, 132WELCH, Will . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77WELCH, William . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132WILLAN, Andrew . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134

Author Index • Index des auteurs 157WOODROOFE, Michael . . . . . . . . . . . . . . . . . . . . . . . . . 120WORSLEY, Keith . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91WRIGHT, Ralph . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78WU, Changbao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81WU, Jianrong . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106WU, Jingjing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .101WU, Long Yang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66WU, Shiying . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80XIE, Xinlei . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130XIONG, Xiaoping . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105YADAV, Ram . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128YAN, Guohua . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130YAN, Ping . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .99YE, Xiufang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130YI, Grace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83, 138YI, Grace Y. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151YOU, Yong . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .147YU, Edward . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .54YU, Hao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86YU, P. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57YUAN, Zhushun . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108ZAREPOUR, Mahmoud . . . . . . . . . . . . . . . . . . . . . . . . . 143ZELEN, Marvin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98ZHANG, Heping . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106ZHANG, Jiajia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .114ZHANG, Julie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130ZHANG, Lingyun . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71ZHANG, Peng . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125ZHANG, Ying . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114ZHAO, Hongyu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65ZHOU, Kehu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .130ZHU, Hongtu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73ZHU, Qiaohao . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58, 130ZHU, Yongtao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108ZIDEK, James . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .87

158Author Index (per session)Index des auteurs (par session)ABARIN, Taraneh . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07FADEDIGBA, Adebolanle . . . . . . . . . . . . . . . . . . . . . . . . 11DADEWALE, Adeniyi . . . . . . . . . . . . . . . . . . . . . . . . . . . 11BAHMED, Rashid . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .11FAHMED, S. Ejaz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12CALLEN, Brian . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07GALTMAN, Rachel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02AALVAREZ, Juan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02GANDREEV, Kirill . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04FANGERS, Jean-François . . . . . . . . . . . . . . . . . . . . . . . . 03FARMSTRONG, Barbara . . . . . . . . . . . . . . . . . . . . . . . . . 07FAUGER, Sylvie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 03EBAILEY, Carmen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04GBALAN, Raluca . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02BBANERJEE, Sudipto . . . . . . . . . . . . . . . . . . . . . . . . . . . 04DBASINGER, Jim . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 01ABEAUMONT, Jean-François . . . . . . . . . . . . . . . . . . . . . 12EBELLHOUSE, David . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02CBÉRARD-CHAGNON, Julien . . . . . . . . . . . . . . . . . . . . . .11BBERTHELOT, Jean-Marie . . . . . . . . . . . . . . . . . . . . . . . 02EBIERNACKA, Joanna . . . . . . . . . . . . . . . . . . . . . . . . . . . 02FBINDER, David . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12DBINGHAM, Derek . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12BBISCHOFF, Wolfgang . . . . . . . . . . . . . . . . . . . . . . . . . . 10CBLACKWELL, Debra L. . . . . . . . . . . . . . . . . . . . . . . . . . 02EBLUMBERG, Stephen . . . . . . . . . . . . . . . . . . . . . . . . . . 02EBOCCI, Cynthia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .12EBOTTAI, Matteo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07GBOUHADDIOUI, Chafik . . . . . . . . . . . . . . . . . . . . . . . . . 04EBOURBEAU, Robert . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04FBOYETT, James . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07CBRASHER, Penny . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10EBROWMAN, George . . . . . . . . . . . . . . . . . . . . . . . . . . . 11EBROWN, Elizabeth . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02ABROWN, Steve . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11FBRUNSCHWIG, Hadassa . . . . . . . . . . . . . . . . . . . . . . . . 11BBRYAN, Jennifer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11CBUITENDYK, Melanie . . . . . . . . . . . . . . . . . . . . . . . . . . 10FBULL, Shelley . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02FCAMPBELL, David . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12FCAMPOS-BONILLA, M. Begoña . . . . . . . . . . . . . . . . . . 04FCANTY, Angelo . . . . . . . . . . . . . . . . . . . . . . . . . . 04F, 04GCAO, Jiguo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .12FCARILLO, Ivan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .11BCARLIN, Brad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04DCARRIÈRE, Keumhee Cho . . . . . . . . . . . . . . . . . . . . . 10GCARROLL, Raymond . . . . . . . . . . . . . . . . . . . . . . . . . . 04CCASANOVA-GURRERA, Amparo . . . . . . . . . . . . . . . . . . 04FCAUCHON, Caroline . . . . . . . . . . . . . . . . . . . . . . . . . . . 07FCHANG, Edward . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04GCHAPMAN, Judy-Anne . . . . . . . . . . . . . . . . . . . . . . . . . . . 0CHARLEBOIS, Joanne . . . . . . . . . . . . . . . . . . . . . . . . . . 11BCHARRON, Dominique . . . . . . . . . . . . . . . . . . . . 04F, 07GCHAUBEY, Yogendra . . . . . . . . . . . . . . . . . . . . . . . . . . 12GCHEN, Bingshu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .10BCHEN, Gemai . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 03BCHEN, Jiahua . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 03DCHENOURI, Shojaeddin . . . . . . . . . . . . . . . . . . . . . . . . 06GCHIPMAN, Hugh . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11DCHOI, Yun Hee . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .12GCHU, Christina Chor-Yan . . . . . . . . . . . . . . . . . . . . . 11BCHU, Ka Lok . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02GCHU, Rong . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11ECOLEMAN, Kimberley . . . . . . . . . . . . . . . . . . . . . . . . . 07ECONNOLLY, Stuart . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11ECOOK, Andrea . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04DCOOK, Richard . . . . . . . . . . . . . . . . . . . . . 04C, 10B, 11FCOONER, Freda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .04DCOOPER, Michael . . . . . . . . . . . . . . . . . . . . . . . . . . . . 06GCOPE, Eric . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 06DCOREY, Paul . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10ECRAIU, Radu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .10BCUDDY, Kurl . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11ECYR, Andre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12DDABROWSKI, Andre . . . . . . . . . . . . . . . . . . . . . . . . . . . 12C

Author Index (per session)Index des auteurs (par session) 159DAS, Kalyan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10FDAVIES, Alexander . . . . . . . . . . . . . . . . . . . . . . . . . . . 12DDAVIS, Karen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02EDAVIS, Richard . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .06ADEAN, Charmaine . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11FDESGAGNÉ, Alain . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 03FDICESARE, Joe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 06FDILLON, Jo-Anne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 01ADINU, Irina . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11BDOCHITOIU, Catalin . . . . . . . . . . . . . . . . . . . . . . . . . . . 12EDOLOVICH, Lisa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .04FDORIAN, Paul . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11EDOUKETIS, James . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11EDRTON, Mathias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .10DDUCHESNE, Thierry . . . . . . . . . . . . . . . . . . . . . . . . . . . 10BDUFOUR, Jean-Marie . . . . . . . . . . . . . . . . . . . . . . . . . . 04EDUPUIS, Debbie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12FEARL, Lawrence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 06DEDWARDS, Betty . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .0EINMAHL, Uwe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07BEL-SAIDI, Mohammed . . . . . . . . . . . . . . . . . . . . . . . . 06GESCARELA, Gabriel . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11EEVANS, Michael . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 03FFAN, Zizhong . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10AFANG, Miao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 0FENG, Rui . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07DFERKO, Nicole . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10FFLEURY, Manon . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07GFOTOUHI, Ali Reza . . . . . . . . . . . . . . . . . . . . . . . . . . . 10GFRASER, Don . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02DFREDETTE, Marc . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11FFU, Rao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11BFUSSMANN, Gregor . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12FGAMITO, Eduard . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 0GENT, Michael . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11EGENTLEMAN, Jane . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02EGERACI, Marco . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .07GGHOSH, Sunita . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10GGIDDINGS, Bethany . . . . . . . . . . . . . . . . . . . . . . . . . . . .11FGILLIS, Daniel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .04FGIRARD, Claude . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12DGNEITING, Tilmann . . . . . . . . . . . . . . . . . . . . . . . . . . . 04EGRUBISIC, Maja . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07EGUAY, Mireille . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 0GULSHAN, Jahida . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12GGUO, Meijie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07EGUO, Pengfei . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 0GUO, Xiaohui (Helen) . . . . . . . . . . . . . . . . . . . . . . . . 11EGUSTAFSON, Paul . . . . . . . . . . . . . . . . . . . . . . . . 03C, 06AGUT, Allan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07BHAN, Jing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07DHASHEMI, Seyed . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02BHE, Wenqing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11CHELBING, Caren . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04GHEUNIS, Andrew . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02BHODSON, Ian . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11EHOETING, Jennifer . . . . . . . . . . . . . . . . . . . . . . . . . . . . 06AHOHNLOSER, Stefan . . . . . . . . . . . . . . . . . . . . . . . . . . . 11EHOLBROOK, Anne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04FHOLT, John . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04F, 07GHOOKER, Giles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12FHOOPER, Peter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 0HORROCKS, Julie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07GHORVATH, Steve . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 06CHOWARD, Allan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04AHSIAO, Cheng . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 03CHUANG, Hui . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .06EHUANG, Jian . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 06EHYNDMAN, Cody . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11DILHAMTO, Gatot . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .07EISHWARAN, Hemant . . . . . . . . . . . . . . . . . . . . . . . . . . . 12CISMAILA, Afisi . . . . . . . . . . . . . . . . . . . . . . . . . . . 04F, 10FISOTALO, Jarkko . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02GIVANOFF, Gail . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12CJAMES, L.F. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12CJEMIAI, Yannis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04CJIANG, Hedy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04FJOHNSTON, Karissa . . . . . . . . . . . . . . . . . . . . . . . . . . . .04GJONES, Bruce . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12FJONES, Richard . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 0JUDKINS, David . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10AKARUNAMUNI, Rohana . . . . . . . . . . . . . . . . . . . . . . . . 06GKARUNANAYAKE, Chandima . . . . . . . . . . . . . . . . . . . . . . . 0KATZOFF, Myron . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .07FKAWCZAK, Janusz . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02GKELLY, Elizabeth . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12BKELLY, I.W. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 0KEYFITZ, Barbara . . . . . . . . . . . . . . . . . . . . . . . . . . . . 01BKHALILI, Abbas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 03DKHAN, Bashir . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 06GKHARE, Meena . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02EKOHLI, Michele . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10FKORU-SENGUL, Tulay . . . . . . . . . . . . . . . . . . . . . . . . . 07G

160 Author Index (per session) Index des auteurs (par session)KOUIDER, Elies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .06GKOVACEVIC, Milorad . . . . . . . . . . . . . . . . . . . . . 06B, 12DKOWGIER, Matthew . . . . . . . . . . . . . . . . . . . . . . . . . . . 11BKOZAK, Robert . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .10AKRENZKE, Thomas . . . . . . . . . . . . . . . . . . . . . . . . . . . 10AKREWSKI, Daniel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12GKULIK, Rafal . . . . . . . . . . . . . . . . . . . . . . . . . . . 02G, 12CKUSTRA, Rafal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 06CKWON, Jaimyoung . . . . . . . . . . . . . . . . . . . . . . . . . . . 06DLAROCHE, Richard . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07FLAROCHE, Sylvie . . . . . . . . . . . . . . . . . . . . . . . . . 03E, 07FLATOUCHE, Michel . . . . . . . . . . . . . . . . . . . . . . . . . . . . 03ELAVERTY, William H. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 0LAWLESS, Jerry . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .07ALE, Lisa Wen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11BLE, Nhu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04FLEBLANC, Alexandre . . . . . . . . . . . . . . . . . . . . . . . . . . 06GLEBLANC, Nancy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11BLEE, Sandra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 06ELEFEBVRE, Geneviève . . . . . . . . . . . . . . . . . . . . . . . . . 10FLELE, Subhash . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12DLESOSKY, Maia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07ELESPERANCE, Mary . . . . . . . . . . . . . . . . . . . . . . . . . . . 04GLETAC, Gérard . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10DLI, Deli . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07BLI, Yi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04DLI, Zhengqing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07CLIANG, Yuanyuan . . . . . . . . . . . . . . . . . . . . . . . .10G, 11BLIN, Jing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 0LIN, Lillian . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07FLIN, Shili . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02FLIN, Xihong . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04CLINDSAY, Bruce . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07DLINKLETTER, Crystal . . . . . . . . . . . . . . . . . . . . . . . . . . 12BLISAWADI, Supranee . . . . . . . . . . . . . . . . . . . . . . . . . . 02GLIU, Jixin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11BLIU, Mengling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07DLIU, Wanrong . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12GLIU, Zhang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11BLIU, Zhenqiu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02FLIU, Zhong . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04FLIX, Lisa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10FLOHR, Sharon . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04BLOU, Wendy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04FLU, Irene . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 06BLU, Pingguo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04ELU, Wenbin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07DLU, Xuewen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12GMA, Renjun . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04DMA, Shuangge . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 06EMAAROUF, Abdel . . . . . . . . . . . . . . . . . . . . . . . . 04F, 07GMACKAY, Jock . . . . . . . . . . . . . . . . . . . . . . . . . . 03B, 11DMACKINNON, Peter . . . . . . . . . . . . . . . . . . . . . . . . . . . 01AMACNEILL, Ian . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04EMANTEL, Harold . . . . . . . . . . . . . . . . . . . . . . . . . 06B, 12EMARCHAND, Éric . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .03FMARTINEZ, Michael . . . . . . . . . . . . . . . . . . . . . . . . . . . 02EMASSAM, Hélène . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10DMATTHEWS, David E. . . . . . . . . . . . . . . . . . . . . . . . . . 12GMCDONALD, Paul . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11FMCLEISH, Don . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 06FMCLEOD, Ian . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07GMELNICHOUK, Olga . . . . . . . . . . . . . . . . . . . . . . . . . . . 07EMERTON, Andrew . . . . . . . . . . . . . . . . . . . . . . . . . . . . 06AMICHAILIDIS, George . . . . . . . . . . . . . . . . . . . . . 06D, 12BMICHAUD, Isabelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10BMIGLIORETTI, Diana . . . . . . . . . . . . . . . . . . . . . . . . . . 02AMIKET, M. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 0MIREA, Lucia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11BMONSOUR, Michael . . . . . . . . . . . . . . . . . . . . . . . . . . . 07FMOSESOVA, Sofia . . . . . . . . . . . . . . . . . . . . . . . . 07E, 11DMOSHONOV, Hadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 03FMOUIHA, Aberazzak . . . . . . . . . . . . . . . . . . . . . . . . . . 04EMYLES, Jamie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .02CNAHM, Erika . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07ENAIR, Kalpana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04FNATHOO, Farouk . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11FNG, Peggy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11BNOURIJELYANI, Keramat . . . . . . . . . . . . . . . . . . . . . . . . . . 0O’DONNELL, Colin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 0OGDEN, Sheryl . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 0OH, Hee-Seok . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04AO’HARA HINES, Jeanette . . . . . . . . . . . . . . . . . . . . . . 02COLIVAS, David . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12BOVERDUIN, Steve . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12GOYET, Alwell . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 0, 12GPAHWA, Punam . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .10GPAKYARI, Reza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 06GPANTOJA GALICIA, Norberto . . . . . . . . . . . . . . . . . . . . 06BPENG, Yingwei . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .07GPENZO-GIACCA, Wilma . . . . . . . . . . . . . . . . . . . . . . . . 04FPERRON, François . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10CPETERS, Amy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07EPETKAU, John . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02CPHILIPS, Robert . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .12E

Author Index (per session)Index des auteurs (par session) 161PICKA, Jeffrey . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12FPINTO, Eleanor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11EPRASAD, Narasimha . . . . . . . . . . . . . . . . . . . . . . . . 0, 12DPRETZEL, Shannon . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 0PRINGLE-NELSON, C. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 0PROVOST, Serge . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04EPUNTANEN, Simo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02GQU, Annie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10FRAFTERY, Adrian . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04ERAIS, Nourddine . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04ERAIZENNE, Mark . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 0RAMSAY, James . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .12FRAMSAY, Timothy . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12GRANJAN, Pritam . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12BRAO, J.N.K. . . . . . . . . . . . . . . . . . . . 04B, 06B, 10F, 12ERAY, Surajit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07DREEDMAN, Laurie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07FREINKER, Stefan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02AREN, Qunshu . . . . . . . . . . . . . . . . . . . . . . . . . . . .06B, 10FRICHARDSON, Thomas . . . . . . . . . . . . . . . . . . . . . . . . . 10DROBERTS, Georgia . . . . . . . . . . . . . . . . . . . . . . . 06B, 12DROBERTS, Robin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11EROSS, Nancy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02EROSYCHUK, Rhonda . . . . . . . . . . . . . . . . . . . . . . . . . . .02AROUSSEAU, Judith . . . . . . . . . . . . . . . . . . . . . . . . . . . . .02DROYCE, Melanie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 0RYAN, Nancy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10FSALEH, A.K. Md. E . . . . . . . . . . . . . . . . . . . . . . . . . . .06GSALOPEK, Donna . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .06FSANJEL, Deepak . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04ESCHAFER, Joseph . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10ASCHAUBEL, Doulgas . . . . . . . . . . . . . . . . . . . . . . . . . . . 10BSCHENNACH, Susanne . . . . . . . . . . . . . . . . . . . . . . . . . .03CSCHWARZ, Carl . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10ESEN, Arusharka . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12GSEN, Pranab K. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12GSENGUL, Haydar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .04GSEVERINI, Tom . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02DSHAO, Yongzhao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07DSHEN, Hui . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 03F, 11BSHEN, Samuel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04ASHIN, Hwashin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .12GSINGH, Avi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .12ESINGH, Avinash . . . . . . . . . . . . . . . . . . . . . . . . . 04B, 12ESINGH, Padam . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10GSITTER, Randy . . . . . . . . . . . . . . . . . . . . . . . . . . 11A, 12BSONG, Peter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10FSOTEROS, Christine . . . . . . . . . . . . . . . . . . . . . . . . . 0, 02GSTADTMUELLER, Ulrich . . . . . . . . . . . . . . . . . . . . . . . . 07BSTAUDENMAYER, John . . . . . . . . . . . . . . . . . . . . . . . . . 02ASTEELE, Russell . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10FSTEINER, Stefan . . . . . . . . . . . . . . . . . . . . . . . . . 03B, 11DSTEPHENS, Michael . . . . . . . . . . . . . . . . . . . . . . . . . . . 12GSTEWART, Travis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12FSTOFFER, David S. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07GSTRAWDERMAN, William E. . . . . . . . . . . . . . . . . . . . . 03FSTUDENY, Milan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .10DSTYAN, George P. H. . . . . . . . . . . . . . . . . . . . . . . . . . . 02GSU, Wanhua . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11BSUN, Jiayang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 03DSUN, Lei . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .02FSUN, Ning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02FSUN, Ye . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11BSZAFRON, Michael . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .0TAI, Patricia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 0TAN, Ming . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .07CTANG, Boxin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12BTHABANE, Lehana . . . . . . . . . . . . . . . . . . . . . . . . 04F, 11ETHEPHAMONGKHOL, Kullathorn . . . . . . . . . . . . . . . . . 11ETHIESSEN, Heather . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02CTHOMPSON, Mary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 06BTHOMPSON, Sandra . . . . . . . . . . . . . . . . . . . . . . . . . . . 06ATHOMPSON, Steven . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07FTHORPE, Kevin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11ETORABI, Mahmoud . . . . . . . . . . . . . . . . . . . . . . . . . . . 12ETREMBLAY, Johanne . . . . . . . . . . . . . . . . . . . . . . . . . . . 03ETYMES, Nathaniel . . . . . . . . . . . . . . . . . . . . . . . . . . . . 06GUBARTAS, Cindy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11BVAN BELLE, Gerald . . . . . . . . . . . . . . . . . . . . . . . . . . . .03AVANDAL, Alain C. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10FVANNUCCI, Marina . . . . . . . . . . . . . . . . . . . . . . . . . . . . 06AVARAIYA, Pravin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .06DVIJAYAN, Nair . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 06DVOLODIN, Andrei . . . . . . . . . . . . . . . . . . . . . . . . 02G, 12CWALIULLAH, Maria . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07EWALSH, Kayo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 0WALTNER-TOEWS, David . . . . . . . . . . . . . . . . . . . . . . . 04FWANG, Hsiao-Hsuan Alice . . . . . . . . . . . . . . . . . . . . 11BWANG, Liqun . . . . . . . . . . . . . . . . . . . . . . . . . . . 03C, 06GWANG, Steven . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .11CWANG, Xu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07E, 11DWELCH, Will . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 03FWELCH, William . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11D

162 Author Index (per session) Index des auteurs (par session)WILLAN, Andrew . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11EWOODROOFE, Michael . . . . . . . . . . . . . . . . . . . . . . . . . 10CWORSLEY, Keith . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 05WRIGHT, Ralph . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04AWU, Changbao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04BWU, Jianrong . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07CWU, Jingjing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 06GWU, Long Yang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02FWU, Shiying . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04BXIE, Xinlei . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11BXIONG, Xiaoping . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07CYADAV, Ram . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10GYAN, Guohua . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11BYAN, Ping . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 06EYE, Xiufang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11BYI, Grace . . . . . . . . . . . . . . . . . . . . . . . . . . 04C, 11F, 12GYOU, Yong . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12EYU, Edward . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 0YU, Hao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04EYU, P. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 0YUAN, Zhushun . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07EZAREPOUR, Mahmoud . . . . . . . . . . . . . . . . . . . . . . . . .12CZELEN, Marvin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 06EZHANG, Jiajia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07GZHANG, Julie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11BZHANG, Lingyun . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 03BZHANG, Peng . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10FZHANG, Ying . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07GZHANG, Heping . . . . . . . . . . . . . . . . . . . . . . . . . 03D, 07DZHAO, Hongyu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02FZHOU, Kehu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11BZHU, Qiaohao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 0ZHU, Hongtu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 03DZHU, Qiaohao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11BZHU, Yongtao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07EZIDEK, James . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04F