Programme et résumés (pdf) - Société statistique du Canada

3Table of Contents • Table des matièresTable of Contents • Table des matières 3Welcome • Bienvenue 4Sponsors • Commanditaires 6Organizers • Organisateurs 7Exhibitors • Exposants 8General Information • Information générale 9Committees and Meetings • Comités et réunions 14List of Sessions • Liste des sessions 18Program • Programme 23Abstracts • Résumés 61Author Index • Index des auteurs 179Author Index (per session) • Index des auteurs (par session) 184

4Welcome • BienvenueWelcome to the City of London and to the University of Western Ontario. Whether you are a presenter orjust listening to the sessions, we hope that the conference is an enjoyable and fruitful experience for you.Founded in 1878, Western is not only one of Canada’s oldest universities, but also has one of the mostbeautiful campuses. In 2004 Western received the top award in the Parks and Grounds division of theCommunities in Bloom competition. This competition is a nation-wide beautification program that judgescities, towns, villages and large institutions in a wide range of landscaping and architectural categories.During your leisure time, stroll around the campus and enjoy its beauty.London is the hub of Southwestern Ontario. There are many things to do in the city outside the scheduledconference activities. In the downtown area there is an eclectic blend of restaurants, museums, pubs,parks and art galleries. Many restaurants and bars can be found along Richmond Row. Near the forks ofthe Thames, in the heart of downtown, is London’s art gallery. Nearby is Eldon House, London oldest residence.Across the river from the art gallery is Labatt Park, home of the oldest ballpark in North Americaon its original site. For your convenience there is a London Tourism booklet in your conference bag.For those who enjoyed the walk through the campus, the city has more than 35 kilometers of hikingbikingtrails through park and riverbank areas. You can walk to downtown from the university residenceElgin Hall in about 45 minutes with only an initial brief step on a city street. The trail begins on the southside of University drive at Sunset Street. On Sunset there is a quick turn onto The Parkway. Soon, on theright side of the street, there is a paved trail into a parkland area. You are downtown when you reach theforks of the Thames.Should the attractions of the city and campus not distract you too much from the conference itself andshould you look at the program more closely, you will find that there is an exciting array of workshops,talks and presentations over the next few days.Enjoy.Bienvenue à la ville de London et à l’Université Western Ontario. Que vous soyez conférencier ou simpleparticipant aux séances, nous espérons que ce Congrès vous sera agréable et fructueux.Fondée en 1878, Western est l’une des plus anciennes universités du Canada et elle se vante de l’un desplus magnifiques campus. En 2004, Western a reçu le premier prix dans la division Parcs et espaces vertsdu concours Collectivités en fleurs. Ce concours est un programme national d’embellissement qui jugevilles, villages et grandes institutions dans diverses catégories d’aménagement paysager et d’architecture.Pendant vos moments de loisir, prenez le temps de vous promener sur le campus et d’en apprécier labeauté.London est le centre du sud-ouest de l’Ontario. Il y a bien plus à y faire que les activités organiséesdans le cadre du Congrès. Le centre-ville abrite un mélange éclectique de restaurants, de musées, de pubs,de parcs et de galeries d’art. Richmond Row est connu pour ses nombreux restaurants et bars. Près de lafourche de la Thames, au cœur du centre-ville, vous trouverez le musée d’art de London et tout près, EldonHouse, la plus vieille résidence privée de la ville. Sur l’autre rive de la rivière, vous apercevez Labatt Park,qui abrite le plus ancien stade de base-ball de l’Amérique du nord encore sur son site original. Pour plus de

Welcome • Bienvenue 5détails sur ces attractions et d’autres, vous trouverez une brochure de London Tourism dans votre troussedu congrès.Pour ceux d’entre vous qui avez apprécié la promenade sur le campus, la ville offre plus de 35 kilomètresde sentiers pédestres/pistes cyclables sillonnant les parcs et les bords de rivière. Vous pouvez vousrendre à pied au centre-ville depuis la résidence universitaire Elgin Hall en 45 minutes environ, en évitantpresque entièrement les rues. Le sentier débute au sud de University Drive à Sunset Street. Sur Sunset,prenez immédiatement un virage pour retrouver The Parkway. Bientôt, à droite de la rue, vous verrez unsentier pavé qui donne sur un parc. Vous arriverez au centre-ville à la fourche de la Thames.Si les attractions de la ville et du campus ne vous distraient pas trop du Congrès lui-même et si vousexaminez le programme de celui-ci plus en détail, vous découvrirez qu’il y a également une variété d’ateliers,d’exposés et de présentations passionnants auxquels participer pendant ces quelques jours.Profitez-en donc !

6Sponsors • CommanditairesSSC 2006 thanks the following sponsors for Le Congrès SSC 2006 remercie les commanditairestheir extremely generous contributions for the suivants pour leurs très généreuses contributions quisuccess of this meeting: ont mené au succès du congrès :• Centre de recherches mathématiques• Department of Statistical and Actuarial Sciences,The University of Western Ontario• Faculty of Science, The University of Western Ontario• The Fields Institute for Research in Mathematical Sciences• MITACS• National Program on Complex Data Structures (NPCDS)• Pacific Institute for the Mathematical Sciences• Research Western, The University of Western Ontario• Robarts Research Institute• SAS Institute, Inc.

7Organizers • OrganisateursLocal Arrangements Committee • Comité organisateur localChair • Président: David BellhouseToo many cooks spoil the broth, so the saying goes. In this case, had there not been so many cooks, therewould have been no broth.Many in the Department of Statistical and Actuarial Sciences were of great assistance to me. I wouldlike to single out Duncan Murdoch who handled the web and a few other duties, Doug Woolford whoordered bags, pens, pads of paper and other odds and ends, and Jennifer Dungavell who straightened out anumber of financial and other issues, and was involved in the design of the covers for the conference book.Throughout the conference you will see a number of people wearing red t-shirts, over 20 in number andtoo many to mention by name. They are undergraduate and graduate student volunteers who have helpedwith registration, room set-ups, audiovisual equipment and a host of other things.The conference book itself would not have been possible without the work of Christian Léger and staffat CRM, in particular, André Montpetit, Daniel Ouimet, and Louise Letendre. The program with abstractswas produced using a database at CRM. It was Kinkos that printed what CRM produced.Félix Labrecque-Synnot and Jihad Jomaa, two students from Université de Montréal, have translatedmost abstracts under the supervision of Hélène Bérard (Statistics Canada), Chair of the Bilingualism Committee.Members of the Bilingualism Committee have reviewed the abstracts while Christian Léger didfinal revisions.Beginning at a leisurely pace well over two years ago and lately in a much more intense fashion, I haveworked closely with Melanie Harvey of Conference Services at the University of Western Ontario. Sheand her staff have taken care of the conference registration process, the room bookings and several otherlogistical issues.Chef Michael Coleby and his staff of Great Hall Catering at the University of Western Ontario wereresponsible for much of the food, including the banquet, the welcoming reception and various committees’breakfasts, lunches and dinners.Finally, I am grateful to my French horn teacher, Sasha Gorbasew of the Don Wright Faculty of Musicat Western for arranging the musical entertainment throughout the conference.Trop de mains à la pâte, ça la gâte, dit-on. Mais dans notre cas, il n’y aurait pas eu de pâte sans toutes cesmains.De nombreux collègues du Département de sciences statistiques et actuarielles m’ont grandement aidé.Je tiens à remercier tout particulièrement Duncan Murdoch, qui s’est chargé du site Web et d’autres responsabilités,Doug Woolford, qui a commandé les sacs, stylos, bloc-notes et autres fournitures, et JenniferDungavell, qui a résolu divers problèmes financiers et autres et a aidé à créer la couverture du cahier duCongrès. Pendant tout le Congrès, vous croiserez une équipe de plus de vingt personnes en t-shirt rouge,trop nombreux pour être nommés individuellement ici. Il s’agit de bénévoles, étudiants de premier cycle

8 Exhibitors • Exposantset des cycles supérieurs, qui ont aidé pour les inscriptions, l’organisation des salles, l’équipement audiovisuel,etc.Le cahier du Congrès n’aurait jamais existé sans les efforts de Christian Léger et du personnel du CRM,tout particulièrement, André Montpetit, Daniel Ouimet et Louise Letendre. Le programme, qui inclut desrésumés, a été produit grâce à une base de données du CRM et imprimé par Kinkos.La traduction de la plupart des résumés a été réalisée par Félix Labrecque-Synnot et Jihad Jomaa,deux étudiants de l’Université de Montréal, sous la supervision d’Hélène Bérard (Statistique Canada),présidente du Comité du bilinguisme. Les membres du Comité du bilinguisme ont révisé les résumés.Christian Léger a fait une révision finale.Depuis plus de deux ans déjà, mais de façon beaucoup plus intensive ces derniers temps, j’ai travailléen étroite collaboration avec Melanie Harvey du Service de conférences de l’Université Western Ontario.Elle et son équipe se sont chargées du processus d’inscription au congrès, des réservations de salles etd’autres problèmes logistiques.Le chef cuisinier Michael Coleby et son personnel du service de restauration Great Hall de l’UniversitéWestern Ontario sont responsables de la plupart des repas, y compris du banquet, de la réception d’accueilet des petits-déjeuners, déjeuners et dîners de divers comités.Enfin, je suis reconnaissant à mon professeur de cor d’harmonie, Sasha Gorbasew de la Faculté de musiqueDon Wright de Western, pour avoir organisé les divertissements musicaux pendant tout le Congrès.Program Committee • Comité du programmeChair • Président: Richard Lockhart, Simon Fraser UniversityMembers • Membres:Biostatistics Section • Groupe de biostatistiqueMichael Escobar, University of TorontoBusiness and Industrial Statistics Section • Groupe de statistique industrielle et de gestionFrançois Pageau, SNC TechnologiesSurvey Methods Section • Groupe de méthodologie d’enquêtePatricia Whitridge, Elections CanadaProbability Section • Groupe de probabilitéAndre Dabrowski, University of OttawaExhibitors • ExposantsDisplays of books for examination and purchase may be found in room 2333 of the Social Science Centre.Representatives of John Wiley, Pearson, Thomson Nelson and W.H. Freeman will be present. CambridgeUniversity Press did not send a representative, but their material may be viewed in the book display area.Salford Systems will also have a display of software in room 2333.Vous trouverez des étalages de livres à consulter ou acheter dans la salle 2333 du Centre des sciencessociales. Des représentants de John Wiley, Pearson, Thomson Nelson et W.H. Freeman seront présents.Cambridge University Press n’a pas envoyé de représentant, mais vous pouvez consulter leurs ouvragesdans la salle d’exposition. Salford Systems exposera également ses logiciels dans la salle 2333.

General Information • Information générale 9General Information • Information généraleRegistration will be in Elgin Hall on Saturday, May 27 from 14:00 to 22:00 and on Sunday, May 28 from11:00 to 19:00. From Monday to Wednesday, the registration desk will be located in the Social ScienceCentre near room 2050. The desk will be open Monday, May 29 from 8:00 to 15:00. On Tuesday andWednesday the desk will be open from 8:00 to 11:00.Les inscriptions se feront à Elgin Hall, samedi 27 mai de 14 heures à 22 heures et dimanche 28 mai de 11heures à 19 heures. De lundi à mercredi, le bureau des inscriptions sera situé dans le Centre des sciencessociales, près de la salle 2050. Le bureau sera ouvert lundi 29 mai de 8 heures à 15 heures, ainsi que mardiet mercredi de 8 heures à 11 heures.DirectionsThere are campus maps in every conference bag so that you may easily find your way around the campus.The map is included in a brochure that provides a self-guided walking tour of the campus, which is wellworth the effort.For those staying in Elgin Hall, the university residence assigned for the conference, or staying indowntown hotels, the main entrance to the University of Western Ontario is located on Richmond Street.The road into the university off Richmond Street is called University Drive. Elgin Hall is the buildingon your right as you come along University Drive from Richmond Street. There is free parking in theMedway Lot behind Elgin Hall. Conference registration on Saturday and Sunday, May 27 and 28, will beat Elgin Hall.For those staying in Windermere Manor, the hotel is a short walk to the main campus.The London Transit Commission has provided all conference registrants with free bus passes. Buspasses will be in the conference bag.For those deciding to take a bus from the downtown area, there are two convenient routes. The Richmondbus (#6) leaves from Richmond and Dundas Streets approximately every 20 minutes on weekdays.The ride to the university from this intersection is approximately 15 to 20 minutes. The Wellington bus(#13) leaves Dundas and Wellington Streets approximately every 15 minutes on weekdays, again an approximate15 to 20 minute ride to the university. For those staying at the Hilton and the Delta LondonArmouries, the closest bus is the Wellington bus. Both the Wellington and Richmond buses go by theStation Park Hotel.Vous trouverez dans votre trousse de congrès un plan du campus pour vous aider à vous retrouver facilement.Ce plan est inclus dans une brochure qui présente une visite à pied autoguidée du campus, que nousvous recommandons vivement.Pour les personnes séjournant à Elgin Hall, la résidence universitaire assignée aux congressistes, oudans un hôtel du centre-ville, l’entrée principale de l’Université de Western Ontario est située rue Richmond.La route qui pénètre sur le campus à partir de la rue Richmond s’appelle rue University. Elgin Hallest le bâtiment à votre droite lorsque vous prenez la rue University à partir de la rue Richmond. Vous pouvezstationner gratuitement dans l’aire Medway derrière Elgin Hall. Les inscriptions au Congrès se ferontsamedi 27 et dimanche 28 mai à Elgin Hall.

10 General Information • Information généralePour les personnes séjournant à Windermere Manor, l’hôtel est à quelques minutes à pied du campusprincipal.La London Transit Commission a fourni à tous les congressistes une carte d’abonnement d’autobusgratuite, que vous trouverez dans votre trousse.Si vous souhaitez prendre l’autobus depuis le centre-ville, vous avez le choix entre deux lignes. L’autobusRichmond (ligne 6) quitte le coin des rues Richmond et Dundas toutes les 20 minutes environ ensemaine. Il faut de 15 à 20 minutes pour arriver à l’université depuis cette intersection. L’autobus Wellington(ligne 13) quitte le coin des rues Dundas et Wellington toutes les 15 minutes environ en semaine etprend aussi de 15 à 20 minutes pour arriver à l’université. Pour les personnes séjournant aux hôtels Hiltonet Delta London Armouries, l’autobus le plus proche est la ligne Wellington. Les deux lignes (Wellingtonet Richmond) passent devant l’hôtel Station Park.Rooms • SallesMost scientific sessions will be held in the Social Science Centre at The University of Western Ontario.Room 2050 of the Social Science Centre is on the main floor of the building just beyond the registrationdesk. Several other sessions are on this floor or on the next floor up the main staircase. A few sessions willbe held in Somerville House and University College. These buildings are all located in the central part ofthe campus. Directions to these buildings are posted on signs in various locations. Volunteers wearing redt-shirts are also on hand to give directions and general help.Conference registration during the scientific sessions will be in the Social Science Centre.The Board meeting on Sunday will be held at Windermere Manor. All other committee meetings heldover either breakfast or lunch, as well as the Wednesday Board meeting, will be held in Somerville House.La plupart des séances scientifiques se dérouleront dans le Centre des sciences sociales de l’UniversitéWestern Ontario. La salle 2050 du Centre des sciences sociales est située au rez-de-chaussée du bâtiment,juste derrière le bureau des inscriptions. Plusieurs autres séances se tiendront à cet étage ou à l’étagesupérieur, en haut de l’escalier principal. Quelques séances seront organisées à Somerville House et àUniversity College. Ces bâtiments sont tous situés dans la partie centrale du campus. Des panneaux d’indicationseront affichés à divers endroits pour vous diriger vers ces bâtiments. Des bénévoles en t-shirtrouge seront également là pour vous orienter et vous informer.Les inscriptions se feront au Centre des sciences sociales pendant les séances scientifiques.La réunion du Conseil d’administration de dimanche se tiendra à Windermere Manor. Les autresréunions de comités, organisées à l’heure du petit-déjeuner ou du déjeuner, et la réunion du Conseil d’administrationde mercredi, se tiendront à Somerville House.Workshops • AteliersThe workshops organized by the three sections will take place in the Somerville House. The BiostatisticsSection and Survey Methods Section workshop both start at 9:00 while the Business and IndustrialStatistics Section workshop starts at 13:00.Les ateliers organisés par les trois groupes se tiendront à Somerville House. Les ateliers du groupe debiostatistique et du groupe des méthodes d’enquête commencent à 9 heures, tandis que celui du groupe destatistique industrielle et de gestion débute à 13 heures.

General Information • Information générale 11Poster Session • Séance d’affichageThe poster session will be held on Sunday, May 28 from 19:00 to 21:00 in the Great Hall of Somervillehouse in conjunction with the welcoming reception.La séance d’affichage se tiendra dimanche 28 mai de 19 heures à 21 heures dans le Grand Hall de SomervilleHouse, dans le cadre de la réception de bienvenue.NSERC Session • Atelier offert par le CRSNGWednesday, May 31, 12:30–13:15Lundi, le 31 mai, 12h30–13h15Social Science Centre 2036Isabelle Blain, Vice-President of Research Grants and Scholarships at NSERC will make a presentationand lead a discussion on the support of mathematics and statistics by NSERC. This includes a broad discussionof funding for major research resources such as the National Program for Complex Data Structures,as well as other funding envelope concepts. The session is open to all interested researchers.Isabelle Blain, vice-présidente de la Direction des subventions de recherche et bourses au CRSNG, fera uneprésentation et animera une discussion sur le soutien de la mathématique et de la statistique par le CRSNG.Elle abordera notamment la question du financement des principales ressources de recherche, telles leProgramme national sur les structures de données complexes, ainsi que d’autres concepts d’enveloppes definancement. Cette séance est ouverte à tous les chercheurs intéressés.Welcome Reception • Réception de bienvenueThe welcoming reception will take place at the Great Hall in Somerville House on Sunday, May 28 from19:00 to 21:00. The reception is sponsored by the National Program on Complex Data Structures. Allconference attendees and companions are warmly invited to come and enjoy a social time with old andnew friends in the statistical community. A string quartet comprised of students from the Western’s DonWright Faculty of Music will perform during the reception.La réception de bienvenue se tiendra dans le Grand Hall de Somerville House, dimanche 28 mai de 19heures à 21 heures. La réception est commanditée par le Programme national sur les structures de donnéescomplexes. Tous les participants au Congrès et leurs invités sont chaleureusement invités à venir socialiseravec leurs nouveaux et vieux amis de la communauté statistique. Un quatuor à cordes d’étudiants de laFaculté de musique Don Wright de Western jouera pendant la réception.Food Service on Campus • Restauration sur le campusThere are three locations where lunch can be purchased on campus. Centre Spot, run by the university’sFood Services, is a cafeteria on the main floor of the University Community Centre. On the second floorof the University Community Centre is The Wave, a licenced restaurant run by the University StudentCouncil. The University Community Centre is the building next to the Social Science Centre. It is a shortwalk outside between these buildings. Those wanting an indoor route can take the tunnel that connects theSH = Somerville House SSC = Social Science Centre UC = University College

12 General Information • Information généraletwo buildings. In the Social Science Centre, the tunnel can be reached by taking the stairs nearest room2333, where the book displays are located, to the ground floor. A third lunch location is the Grad Club,which is located on the ground floor of Middlesex College, a five minute walk from the Social ScienceCentre. The Grad Club, operated by the Society of Graduate Students, is licenced and features an outdoorpatio.Other than the Grad Club, there are no facilities for dinner on campus.Vous pouvez vous acheter à déjeuner à trois endroits différents sur le campus. Centre Spot, qui est exploitépar les services d’alimentation de l’université, est une cafétéria au rez-de-chaussée du Centre communautairede l’Université. Au deuxième étage de ce même Centre se trouve The Wave, un restaurant avecpermis d’alcool exploité par le Conseil étudiant de l’Université. Le Centre communautaire de l’Université(University Community Centre) est le bâtiment adjacent au Centre des sciences sociales, à quelques pas.Si vous souhaitez vous y rendre sans sortir à l’extérieur, un tunnel relie les deux bâtiments. Depuis leCentre des sciences sociales, prenez les escaliers près de la salle 2333, où se trouve l’exposition de livres,jusqu’au rez-de-chaussée pour rejoindre ce tunnel. Vous pouvez aussi déjeuner au Grad Club, qui est situéau rez-de-chaussée de Middlesex College, à cinq minutes à pied du Centre des sciences sociales. Le GradClub, qui est exploité par la Société des étudiants, a un permis d’alcool et se vante d’un patio extérieur.Le Grad Club est le seul endroit où dîner le soir sur le campus.BarbecueThe annual barbecue will be held in the Grad Club on Monday, May 29 from 18:30 to 20:30. All graduatestudents receive tickets to this event with their registration. All are invited to attend; tickets may bepurchased at the registration desk. Featured entertainment for this event will be a jazz singer currentlystudying at Western’s Don Wright Faculty of Music.Le barbecue annuel est organisé au Grad Club lundi 29 mai, de 18 heures 30 à 20 heures 30. Tous les étudiantsdiplômés recevront un ticket pour ce repas avec leur inscription. Vous êtes tous invités à participer ;il vous suffit d’acheter un ticket au bureau des inscriptions. Un divertissement musical sera proposé par unchanteur de jazz qui étudie à la Faculté de musique Don Wright de Western.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 Statisticscordially invite all interested men and women to attend an informal get-together in the Board room ofthe Grad Club at 20:30 after the barbecue. Students are especially welcome.La section canadienne du Caucus for Women in Statistics et le Comité sur les femmes en statistique de laSSC invitent cordialement tous les hommes et toutes les femmes intéressé(e)s à participer à une réunioninformelle dans la salle du Conseil du Grad Club à 20 heures 30 après le barbecue. Les étudiant(e)s sonttout particulièrement les bienvenu(e)s.

14 Committees and Meetings • Comités et réunionsCommittees and MeetingsComités et réunionsCalendar Listing • Calendrier journalierSaturday May 27 • Samedi 27 mai18:00–22:00 Executive Committee • Comité exécutif Windermere Manor,North Meeting RoomSunday, May 28 • Dimanche 28 mai9:00–11:00 Finance Committee • Comité des finances Windermere Manor, Room A11:00–12:00 Publications Committee • Comité des publications Windermere Manor, Room A12:00–16:00 Board of Directors • Conseil d’administration Windermere Manor, Rooom AMonday, May 29 • Lundi 29 mai7:00–8:00 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)Probability Section (Section Officers) • Groupe de probabilité(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 relations publiquesSouthern Ontario Regional Assocation (General Meeting)• Association régionale du sud de l’Ontario (assembléegénérale)13:30–15:00 Accredited Members General Meeting (open) • Assembléegénérale des membres accrédités (public)17:00–18:00 Business and Industrial Statistics Section (GeneralMeeting) • Groupe de statistique industrielle et de gestion(assemblée générale)Michael’s Garden, SH3320Michael’s Garden, SH3320Michael’s Garden, SH3320Michael’s Garden, SH3320Michael’s Dining Room,SH3340Michael’s Garden, SH3320Michael’s Dining Room,SH3340Michael’s Dining Room,SH3340SSC3018SSC3026SH = Somerville House SSC = Social Science Centre UC = University College

Committees and Meetings • Comités et réunions 15Survey Methods Section (General Meeting) • Groupedes méthodes d’enquête (assemblée générale)Biostatistics Section (General Meeting)• Groupe de biostatistique(assemblée générale)Probability Section (General Meeting) • Groupe de probabilité(assemblée générale)Tuesday, Mai 30• Mardi 30 maiSSC2024SSC2036SSC30187:00–8:00 Research Committee • Comité de la recherche Michael’s Dining Room,SH3340Accreditation Committee • Comité sur l’accréditation Michael’s Dining Room,SH3340Professional Development Committee • Comité sur leperfectionnement professionnelMichael’s Dining Room,SH334012:30–13:30 NPCDS • PNSDC Michael’s Dining Room,SH3340Bilingualism Committee • Comité du bilinguisme Michael’s Dining Room,SH3340Committee on Women in Statistics • Comité sur lesfemmes en statistiqueMichael’s Dining Room,SH3340Statistical Education Committee • Comité d’éducationen statistiqueMichael’s Dining Room,SH334016:45–18:15 SSC General Meeting • Assemblée générale de la SSC SSC2050Wednesday, May 31 • Mercredi 31 mai7:00–8:00 Biostatistics Section (Section Officers) • Groupe de biostatistiqueMichael’s Garden, SH3320(directeurs du groupe)Business and Industrial Statistics Section (Section Officers)Michael’s Garden, SH3320• Groupe de statistique industrielle et de gestion(directeurs du groupe)Survey Methods Section (Section Officers) • Groupe des Michael’s Garden, SH3320méthodes d’enquête (directeurs du groupe)Probability Section (Section Officers) • Groupe de probabilitéMichael’s Garden, SH3320(directeurs du groupe)12:30–13:30 Liaison Michael’s Garden, SH3320Program Committee • Comité du programmeMichael’s Garden, SH332017:30–19:30 Board of Directors • Conseil d’administration Michael’s Garden, SH332019:30 Executive Committee • Comité exécutif Michael’s Garden, SH3320Alphabetical Listing • Liste alphabétiqueAccreditation Appeals Committee • Comité des appels d’accréditationMonday, May 28 • lundi 28 mai, 12:30–13:30, Michael’s Dining Room, SH3340Accreditation Committee • Comité sur l’accréditationTuesday, May 30 • mardi 30 mai, 7:00–8:00, Michael’s Dining Room, SH3340SH = Somerville House SSC = Social Science Centre UC = University College

16 Committees and Meetings • Comités et réunionsAccredited Members General Meeting (open) • Assemblée générale des membres accrédités (public)Monday, May 29 • lundi 29 mai, 13:30–15:00, SSC3018Bilingualism Committee • Comité du bilinguismeTuesday, May 30 • mardi 30 mai, 12:30–13:30, Michael’s Dining Room, SH3340Biostatistics Section (General Meeting) • Groupe de biostatistique (assemblée générale)Monday, May 29 • lundi 29 mai, 17:00–18:00, SSC2036Biostatistics Section (Section Officers) • Groupe de biostatistique (directeurs du groupe)Monday, May 29 • lundi 29 mai, 7:00–8:00, Michael’s Garden, SH3320Wednesday, May 31 • mercredi 31 mai, 7:00–8:00, Michael’s Garden, SH3320Board of Directors • Conseil d’administrationSunday, May 28 • dimanche 28 mai, 12:00–16:00, Windermere Manor, Rooom AWednesday May 31 • mercredi 31 mai, 17:30–19:30, Michael’s Garden, SH3320Business and Industrial Statistics Section (General Meeting) • Groupe de statistique industrielle et degestion (assemblée générale)Monday, May 29 • lundi 29 mai, 17:00–18:00, SSC3026Business and Industrial Statistics Section (Section Officers) • Groupe de statistique industrielle et degestion (directeurs du groupe)Monday, May 29 • lundi 29 mai, 7:00–8:00, Michael’s Garden, SH3320Wednesday, May 31 • mercredi 31 mai, 7:00–8:00, Michael’s Garden, SH3320CJS Editorial Board • Comité de rédaction de la RCSMonday, May 28 • lundi 28 mai, 12:30–13:30, Michael’s Garden, SH3320Committee on Women in Statistics • Comité sur les femmes en statistiqueTuesday, May 30 • mardi 30 mai, 12:30–13:30, Michael’s Dining Room, SH3340Executive Committee • Comité exécutifSaturday May 27 • samedi 27 mai, 18:00–22:00, Windermere Manor, North Meeting RoomWednesday May 31 • mercredi 31 mai, 19:30, Michael’s Garden, SH3320Finance Committee • Comité des financesSunday, May 28 • dimanche 28 mai, 9:00–11:00, Windermere Manor, Room ALiaisonWednesday, May 31 • mercredi 31 mai, 12:30–13:30, Michael’s Garden, SH3320NPCDS • PNSDCTuesday, May 30 • mardi 30 mai, 12:30–13:30, Michael’s Dining Room, SH3340Probability Section (General Meeting) • Groupe de probabilité (assemblée générale)Monday, May 29 • lundi 29 mai, 17:00–18:00, SSC3018Probability Section (Section Officers) • Groupe de probabilité (directeurs du groupe)Monday, May 29 • lundi 29 mai, 7:00–8:00, Michael’s Garden, SH3320Wednesday, May 31 • mercredi 31 mai, 7:00–8:00, Michael’s Garden, SH3320Professional Development Committee • Comité sur le perfectionnement professionnelTuesday May 30 • mardi 30 mai, 7:00–8:00, Michael’s Dining Room, SH3340Program Committee • Comité du programmeWednesday May 31 • mercredi 31 mai, 12:30–13:30, Michael’s Garden, SH3320Public Relations Committee • Comité des relations publicMonday, May 29 • lundi 29 mai, 12:30–13:30, Michael’s Dining Room, SH3340SH = Somerville House SSC = Social Science Centre UC = University College

Committees and Meetings • Comités et réunions 17Publications Committee • Comité des publicationsSunday, May 28 • dimanche 28 mai, 11:00–12:00, Windermere Manor, Room AResearch Committee • Comité de la rechercheTuesday, May 30 • mardi 30 mai, 7:00–8:00, Michael’s Dining Room, SH3340Southern Ontario Regional Assocation (General Meeting) • Association régionale du sud del’Ontario (assemblée générale)Monday, May 29 • lundi 29 mai, 12:30–13:30, Michael’s Dining Room, SH3340SSC General Meeting • Assemblée générale de la SSCTuesday, May 30 • mardi 30 mai, 16:45–18:45, SSC2050Statistical Education Committee • Comité d’éducation en statistiqueTuesday, May 30 • mardi 30 mai, 12:30–13:30, Michael’s Dining Room, SH3340Survey Methods Section (General Meeting) • Groupe des méthodes d’enquête (assemblée générale)Monday, May 29 • lundi 29 mai, 17:00–18:00, SSC2024Survey Methods Section (Section Officers) • Groupe des méthodes d’enquête (directeurs du groupe)Monday, May 29 • lundi 29 mai, 7:00–8:00, Michael’s Garden, SH3320Wednesday, May 31 • mercredi 31 mai, 7:00–8:00, Michael’s Garden, SH3320SH = Somerville House SSC = Social Science Centre UC = University College

18 List of Sessions • Liste des sessionsList of Sessions • Liste des sessionsSunday, May 28 • Dimanche 28 mai19:00–21:00SH Session 0 Contributed Poster SessionGreat HallPrésentation d’affichesMonday, May 29 • Lundi 29 mai8:30–8:45SSC2050 Session 01A Inaugural SessionSéance inaugurale8:45–10:00SSC2050 Session 01B SSC Presidential Invited AddressAllocution de l’invité du président de la SSC10:30–12:00SH3345 Session 02A Current Issues in the Analysis of Longitudinal DataProblèmes courants en analyse de données longitudinalesSSC2050 Session 02B The Statistics of Magnetic Resonance ImagingStatistique pour l’imagerie par résonnance magnétiqueSSC2036 Session 02C Social StatisticsStatistique socialeSH3315 Session 02D Parallel Computing in StatisticsCalcul parallèle en statistiqueSSC2024 Session 02E The Challenges of Being an Environmental StatisticianDéfis pour le statisticien environnementalSSC3026 Session 02F Case Study I: Record Linkage and Case Study II: Obstructive Sleep ApneaÉtude de cas I : Couplage d’enregistrements et Étude de cas II : L’apnéeobstructive du sommeilSSC3006 Session 02G Applications of Statistics IApplications de la statistique ISSC3014 Session 02H Business and Industrial StatisticsStatistique industrielle et de gestionSSC3018 Session 02I Design and Analysis of Clinical TrialsPlanification et analyse d’essais cliniquesSH = Somerville House SSC = Social Science Centre UC = University College

List of Sessions • Liste des sessions 1913:30–14:30SSC2050 Session 03A Canadian Journal of Statistics Award AddressAllocution du récipiendaire du Prix de la Revue canadienne de statistique13:30–15:00SH3345 Session 03B Statistical Issues in Designing and Monitoring Clinical TrialsProblèmes statistiques dans la planification et la surveillance d’essais cliniquesSH3315 Session 03C Change-point DetectionDétection de point de changementSSC2036 Session 03D Design and Analysis of Experiments for Complex Computer ModelsPlanification et analyse d’expériences pour des modèles d’ordinateurcomplexes15:30–16:30SSC2050 Session 04A Record Linkage and CounterterrorismCouplage d’enregistrements et la lutte au terrorisme15:30–17:00SSC2036 Session 04B Statistical Applications in ForestryApplications statistiques en foresterieSH3345 Session 04C Statistics in Public HealthStatistique en santé publiqueSH3315 Session 04D Statistical Applications in MarketingApplications statistiques en marketingSSC2024 Session 04E Limit Theorems with Applications in StatisticsThéorèmes limites avec applications en statistiqueSSC3026 Session 04F Bayesian StatisticsStatistique bayésienneSSC3006 Session 04G Methodology for Time-to-Event DataMéthodologie pour des données de temps d’attenteSSC3014 Session 04H Nonparametric MethodsMéthodes non paramétriquesTuesday, May 30 • Mardi 30 mai8:30–9:45SSC2050 Session 05A Gold Medal AddressAllocution de la médaille d’or10:15–11:45SSC3018 Session 06A Some Current Developments in the Analysis of Complex Survey DataDéveloppements récents en analyse de données d’enquêtes complexesSSC2024 Session 06B Regression Models: Recent Advances and ApplicationsModèles de régression : Développements récents et applicationsSSC2050 Session 06C BioinformaticsBioinformatiqueSH = Somerville House SSC = Social Science Centre UC = University College

20 List of Sessions • Liste des sessionsSH3345 Session 06D Meta-analysis of Randomized Controlled TrialsMéta-analyse d’essais contrôlés randomisésUC85 Session 06E Advances in Markov ProcessesDéveloppements dans les processus de MarkovSSC3006 Session 06F Classical StatisticsStatistique classiqueSSC3010 Session 06G Biostatistics in ActionBiostatistique en actionSSC3014 Session 06H Censored DataDonnées censurées13:15–14:15SH3345 Session 07A Isobel Loutit Invited Address on Business and Industrial StatisticsAllocution Isobel Loutit sur la statistique industrielle et de gestion13:15–14:45SSC2024 Session 07B Spatial/Temporal Modelling for Marine Ecological SystemsModèles spatiaux/temporels dans les systèmes écologiques marinsSSC2050 Session 07C Statistical Methods in Computational GeneticsMéthodes statistiques en calculs génétiquesSSC3006 Session 07D Probability in High Dimensions and its ApplicationsProbabilités en dimensions élevées et leurs applicationsSSC3018 Session 07E Innovative Teaching in Probability and StatisticsEnseignement innovateur en probabilités et statistiqueUC85 Session 07F Joint Modelling of Longitudinal and Survival Data and Applications inCancer PatientsModélisation conjointe de données longitudinales et de survie et applicationsaux patients atteints de cancerSSC3014 Session 07G Tail Behaviour and Elliptically Contoured DistributionsComportement des ailes et distributions à contours elliptiquesUC222 Session 07H Dependence, Scores and ApplicationsDépendance, cotes et applicationsSSC3010 Session 07I Business SurveysEnquêtes sur les entreprises15:30–17:00SSC2050 Session 08A Data Mining Complex StructuresStructures complexes de forage de donnéesSH3345 Session 08B Genomic Assessment Implications of Biologic HeterogeneityImplications sur l’évaluation génomique de la variabilité biologiqueSSC2024 Session 08C Probability and FinanceProbabilités et financeSSC3018 Session 08D The History of Statistics and ProbabilityL’histoire de la statistique et des probabilitésUC85 Session 08E Estimating Function MethodologyMéthodologie d’estimation de fonctionsSH = Somerville House SSC = Social Science Centre UC = University College

List of Sessions • Liste des sessions 21SSC3006 Session 08F Computational Methods in StatisticsMéthodes computationnelles en statistiqueSSC3010 Session 08G Methodology for Complex Data StructuresMéthodologie pour des données à structure complexeSSC3014 Session 08H Survey Analysis and OperationsAnalyse d’enquêtes et opérationsWenedsday, May 31 • Mercredi 31 mai8:30–9:30SSC2050 Session 09A Pierre Robillard Award AddressAllocution du récipiendaire du prix Pierre-Robillard8:30–10:00SSC2024 Session 09B Applied ProbabilityProbabilités appliquéesSSC2036 Session 09C Analysis of Longitudinal Complex Survey Data Using Marginal Modellingand GEE: Theory and PracticeAnalyse de données longitudinales d’enquêtes complexes utilisant la modélisationmarginale et les EEG : théorie et pratique10:30–11:30SSC2050 Session 10A Special Invited Session of the Biostatistics SectionAllocution de l’invité d’honneur du Groupe de biostatistique10:30–12:00SSC2036 Session 10B Recent Advances in SPC and Data Driven StatisticsDéveloppements récents en CSP et statistiques guidées par les donnéesSH3345 Session 10C Analyzing Data from International SurveysAnalyse de données d’enquêtes internationalesSSC3018 Session 10D Statistical Analysis of Non-precise DataAnalyse statistique des données imprécisesSSC2024 Session 10E Case Study II: Obstructive Sleep ApneaÉtude de cas II : L’apnée obstructive du sommeilSSC3026 Session 10F Time SeriesSéries chronologiquesSSC3006 Session 10G Probability and Mathematical StatisticsProbabilité et statistique mathématiqueSSC3014 Session 10H Statistical Genetics and GenomicsGénétique statistique et génomiqueSSC Session 10I Posters for Case Study II2nd floor hallway Affiches pour l’étude de cas II12:30–13 :15SSC2036Support of Mathematics and Statistics by NSERCAppui des mathématiques et de la statistique par le CRSNGSH = Somerville House SSC = Social Science Centre UC = University College

22 List of Sessions • Liste des sessions13:00–14:30SSC2024 Session 11B Risk Theory IThéorie du risque I13:30–14:30SSC2050 Session 11A Address of the winner of the Centre de recherches mathématiques/StatisticalSociety of Canada PrizeAllocution du lauréat du Prix du Centre de recherches mathématiques/Société statistique du Canada15:00–16:30SSC2050 Session 12A Industrial Experimental DesignPlanification d’expériences industriellesSSC2036 Session 12B Latent Variable and Multilevel Modelling Using Survey DataVariables latentes et modélisation multiniveaux pour des donnéesd’enquêtesSSC2024 Session 12C Risk Theory IIThéorie du risque IISH3345 Session 12D Geometry, Topology and StatisticsGéométrie, topologie et statistiqueSSC3018 Session 12E Applications of Statistics IIApplications de la statistique IISSC3026 Session 12F Multivariate Time SeriesSéries chronologiques multivariéesSSC3006 Session 12G Observational Studies: Methods and ApplicationsMéthodes et applications pour les études observationnellesSSC3014 Session 12H Modelling and Analysis in Sample SurveysModélisation et analyse pour l’échantillonnageSH = Somerville House SSC = Social Science Centre UC = University College

Program • Programme 23Program • ProgrammeDimanche 28 mai • Sunday, May 2819:00–21:00 Session 0 SH - Great HallContributed Poster SessionPrésentation d’affichesContributed Paper Session • Séance de communications libres19:00 Paul SUTCLIFFE & André DABROWSKI, University of Ottawa, Kathryn WILLIAMS, Bassam HAIDAR &Yves MARCEL, Ottawa Heart InstituteUse of Contrasts in the Analysis of the Affymetrix Hypoalpha Dataset • L’emploi des contrastesdans l’analyse des données Affymetrix Hypolpha [MS-1]19:00 Yu-Ling TSAI, University of Western Ontario, Debbie DUPUIS, HEC Montréal, Duncan MURDOCH,University of Western OntarioA Robust Test for Asymptotic Independence in Multivariate Extreme Values • Un test robuste pourl’indépendance asymptotique de valeurs extrêmes multivariées [MS-2]19:00 Richard HARSHMAN & Margaret E. LUNDY, University of Western OntarioValid p-values for Stepwise Regression and Other Post-hoc Model Selection Methods • Valeurs-pvalides pour la régression pas-à-pas et autres méthodes de sélection post-hoc d’un modèle [MS-3]19:00 Depeng JIANG & Debra PEPLER, York UniversityScreening for Risk Status and Statistical Power in Randomized Intervention Research • Criblagepour le statut de risque et puissance statistique dans la recherche d’intervention randomisée [MS-4]19:00 Wai Lok Wallace HUI & Yulia R. GEL, University of Waterloo, Joseph GASTWIRTH, George WashingtonUniversity, Weiwen MIAO, Macalester CollegeA New R Package for Biostatistics, Public Policy and Law • Une nouvelle logithèque R pour labiostatistique, les politiques d’intérêt public et le domaine judiciaire [MS-5]19:00 Julia BRETTSCHNEIDER, Queen’s University, François COLLIN, Affymetrix Inc., Ben BOLSTAD, Universityof California at Berkeley, Terence SPEED, University of California at Berkeley & Walter andEliza Hall Institute, AustraliaQuality Assessment for Microarray Gene Expression Data • Évaluation de la qualité de donnéesd’expression génétique mesurées par micro puces [MS-6]SH = Somerville House SSC = Social Science Centre UC = University College

24 Dimanche 28 mai • Sunday, May 28, 19:00–21:0019:00 Richard HARSHMAN, University of Western OntarioGeneralizing Factor Analysis and Canonical Correlation to Three-way Arrays Increases their Abilityto Disentangle Information • La généralisation de l’analyse factorielle et de corrélation canoniqueaux tableaux à trois niveaux augmente leur capacité de démêler l’information [MS-7]19:00 Lutong ZHOU & Willard BRAUN, University of Western OntarioSome Ideas About Forestry Data Visualization • Quelques idées au sujet de la visualisation dedonnées reliées à la foresterie [MS-8]19:00 Yongtao ZHU & Alexander DE LEON, University of CalgaryANOVA Extensions for Mixed Data • Extension de l’ANOVA aux données mixtes [MS-9]19:00 Zilin WANG, Wilfrid Laurier University, Mary THOMPSON & Zhichang JIANG, University of WaterlooA Resampling Approach to Multilevel Models • Une approche de rééchantillonage pour les modèlesà plusieurs niveaux [MS-10]SH = Somerville House SSC = Social Science Centre UC = University College

Lundi 29 mai • Monday, May 29, 08:30–08:45 25Lundi 29 mai • Monday, May 2908:30–08:45 Session 01A SSC2050Inaugural SessionSéance inauguraleSpecial Session • Conférence spécialeOrganizer and Chair • Responsable et président: David Binder08:45–10:00 Session 01B SSC2050SSC Presidential Invited AddressAllocution de l’invité du président de la SSCSpecial Session • Conférence spécialeOrganizer and Chair • Responsable et président: David BINDER08:45 Ivars PETERSON, Science NewsMythMath: From Google to Wikis and Blogs • MythMath : De Google à wikis et blogues [MS-11]10:00–10:30 Coffee Break • Pause-café10:30–12:00 Session 02A SH3345Current Issues in the Analysis of Longitudinal DataProblèmes courants en analyse de données longitudinalesInvited Paper Session • Présentations sur invitationNational Program on Complex Data Structures • Programme national sur les structures de donnéescomplexesOrganizer and Chair • Responsable et président: Peter SONG University of Waterloo10:30 Jerry LAWLESS & Richard COOK, University of WaterlooEstimation of Marginal Characteristics for Event History Processes • Évaluation des caractéristiquesmarginales pour des processus sur l’historique des événements [MS-12]10:52 Jeremy TAYLOR & Wen YE, University of Michigan, Xihong LIN, Harvard UniversityRecent Developments in Joint Models for Longitudinal and Survival Data. • Développements récentsde modèles conjoints pour des données longitudinales et de survie [MS-13]11:14 Paul GUSTAFSON, University of British ColumbiaOn Measurement Error Models and Complex Data Structures • Sur les modèles d’erreur de mesureet les structures de données complexes [MS-14]11:36 Grace YI, University of WaterlooSome Methods on Longitudinal Data Analysis • Quelques méthodes sur l’analyse de données longitudinales[MS-15]SH = Somerville House SSC = Social Science Centre UC = University College

26 Lundi 29 mai • Monday, May 29, 10:30–12:0010:30–12:00 Session 02B SSC2050The Statistics of Magnetic Resonance ImagingStatistique pour l’imagerie par résonance magnétiqueInvited Paper Session • Présentations sur invitationBernoulli Society • Société BernoulliOrganizer and Chair • Responsable et président: Fred HOPPE McMaster University10:30 Jonathan TAYLOR, Stanford University, Keith WORSLEY, McGill University, Robert ADLER, TechnionDeformation Based Morphometry, Roy’s Maximum Root and Recent Advances in Random Fields •Morphométrie basée sur la déformation, la racine maximale de Roy, et des avancées récentes enchamps aléatoires [MS-16]11:15 Keith WORSLEY, McGill University, Jonathan TAYLOR, Stanford UniversityOur entry in the Functional Imaging Analysis Contest • Notre participation dans le concoursd’analyse d’imagerie par résonance magnétique fonctionnelle [MS-17]10:30–12:00 Session 02C SSC2036Social StatisticsStatistique socialeInvited Paper Session • Présentations sur invitationCanadian Initiative on Social Statistics • Initiative canadienne pour la statistique socialeOrganizer and Chair • Responsable et président: Gustave GOLDMAN & Georgia ROBERTS StatisticsCanada10:30 Rajulton FERNANDO, University of Western OntarioThe Direct and Indirect Effects of Causal Systems with Longitudinal Data • Causalité directe etindirecte avec les données longitudinales [MS-18]11:00 Lisa STROHSCHEIN, University of AlbertaTracking the Mental Health Consequences of Divorce: A Growth Curve Model Approach • Observationdes conséquences du divorce sur la santé mentale : une approche utilisant un modèle aveccourbe de croissance [MS-19]11:30 Bradley CORBETT, Statistics CanadaIdentifying Risk and Protective Factors Using Longitudinal Population Based Survey Data: Improvingour Knowledge of Smoking Behaviour Development • Identification du risque et des facteursprotecteurs en utilisant des données longitudinales d’une population : amélioration de notreconnaissance du développement du comportement des fumeurs [MS-20]10:30–12:00 Session 02D SH3315Parallel Computing in StatisticsCalcul parallèle en statistiqueInvited Paper Session • Présentations sur invitationOrganizer and Chair • Responsable et président: Hugh CHIPMAN Acadia UniversitySH = Somerville House SSC = Social Science Centre UC = University College

Lundi 29 mai • Monday, May 29, 10:30–12:00 2710:30 Robert GRAMACY, University of Cambridge, Herbert K. H. LEE, University of California at SantaCruzParallelism in Interface, Design, and Nonstationary Surrogate Modeling of Supercomputer Experiments• Parallélisme dans l’interface, conception, et modélisation avec suppléant non stationnairedes expériences sur super-ordinateurs [MS-21]11:00 Theodoro KOULIS, McGill UniversityParallel Simulations for Sea Ice Modelling • Simulations parallèles pour la modélisation de la glacede mer [MS-22]11:30 Mark REESOR, Tyson WHITEHEAD & Matt DAVISON, University of Western OntarioA Bias Reduction Technique for Monte Carlo Pricing of Early Exercise Options • Une techniquede réduction de biais pour des estimateurs de prix de type Monte-Carlo pour les premières optionscalculées [MS-23]10:30–12:00 Session 02E SSC2024The Challenges of Being an Environmental StatisticianDéfis pour le statisticien environnementalInvited Paper Session • Présentations sur invitationOrganizer and Chair • Responsable et présidente: Grace CHIU University of Waterloo10:30 Michael DOWD Dalhousie UniversityStatistical Data Assimilation for Environmental Prediction • Assimilation de données statistiques àdes fins de prédictions environnementales [MS-24]11:00 Tanja SREBOTNJAK, Yale UniversitySome Challenges in Measuring and Communicating National Environmental Performance • Quelquesdéfis associés à la mesure et à la communication de la performance environnementale nationale[MS-25]11:30 Peter GUTTORP, University of WashingtonDecisions, Uncertainty, and the Law: Statistical Considerations of Environmental Risk Management.• Les décisions, l’incertitude, et la loi : considérations statistiques en gestion de risque écologique[MS-26]10:30–12:00 Session 02F SSC3026Case Study I: Record Linkage and Case Study II: Obstructive Sleep ApneaÉtude de cas I : Couplage d’enregistrements et Étude de cas II : L’apnée obstructive dusommeilCase Study • Étude de casOrganizer and Chair • Responsable et présidente: Peggy T. NG York University & Alison L. GIBBSUniversity of TorontoSH = Somerville House SSC = Social Science Centre UC = University College

28 Lundi 29 mai • Monday, May 29, 10:30–12:0010:30 Peggy NG, York UniversityCase Study I: Record Linkage: Maintaining a Registry • Étude de cas I : Couplage d’enregistrements :maintenance d’un registre [MS-27]10:50 Jin ZHANG & Yunna SONG, McMaster University11:10 Tao SUN, Wenjie QIAO, Qiang PU, Tianshu MA & Pengfui GUO, York University11:30 Alison GIBBS, University of TorontoCase Study II: Obstructive Sleep Apnea • Étude de cas II : L’apnée obstructive du sommeil [MS-28]11:40 Rachel CHU, Shuyu FAN, Kimberly FERNANDES, Shahadut HOSSAIN & Jesse RAFFA, University ofBritish Columbia11:50 Shahedul Ahsan KHAN, Enayetur RAHEEM, Fei YUAN & Michelle ZHOU, University of Waterloo10:30–12:00 Session 02G SSC3006Applications of Statistics IApplications de la statistique IContributed Paper Session • Séance de communications libresChair • Président: Bruce SMITH Dalhousie University10:30 Nathaniel NEWLANDS, Agriculture and Agri-Food Canada, Harvey HILL, Climate Impacts and Adaptation,PFRA-Agriculture and Agri-Food Canada, Allan HOWARD, National Agroclimate InformationService, Agriculture and Agri-Food CanadaDeveloping a Daily Agro-climate Interpolation Grid for Canada: Data Verification and Model Validation• Développement d’une grille d’interpolation quotidienne pour l’agro-climat du Canada :vérification de données et validation des modèles [MS-29]10:45 Zi JIN & Zheng ZHENG, University of TorontoStatistical Inferences Problems in High Energy Physics • Problèmes statistiques d’inférences enphysique de forte énergie [MS-30]11:00 Jennifer ASIMIT & W. John BRAUN, University of Western Ontario, William SIMPSON, Defence Researchand Development CanadaPoint Process Modeling of Choice Reaction Time Data • Modélisation de données du temps deréaction à choix multiples par un processus ponctuel [MS-31]11:15 Katherine DAVIES, University of Western OntarioStatistical Behaviour of a Spatial Renewal Process • Comportement statistique d’un processus derenouvellement spatial [MS-32]11:30 Douglas WOOLFORD, Reg KULPERGER & W. John BRAUN, University of Western OntarioModelling Lightning and Lightning Caused Forest Fires • Modélisation de la foudre et des feux deforêt qu’elle cause [MS-33]11:45 B. M. Golam KIBRIA, Florida International UniversityZero-truncated and Zero-inflated Regression Models to Predict the ROR Crash Data • Modèlesde régression zéro-tronqués et zéro-majorés pour la prédiction de données sur les accidents ROR[MS-34]SH = Somerville House SSC = Social Science Centre UC = University College

Lundi 29 mai • Monday, May 29, 10:30–12:00 2910:30–12:00 Session 02H SSC3014Business and Industrial StatisticsStatistique industrielle et de gestionContributed Paper Session • Séance de communications libresChair • Président: Fernando CAMACHO Damos Inc.10:30 Abdulkadir HUSSEIN, University of WindsorSequential Monitoring of Process Capability Indices • Supervision séquentielle des indices de capacitéd’un processus [MS-35]10:45 Razi GHORI & S. Ejaz AHMED, University of WindsorA Robust Estimation of Process Capability Index • Une estimation robuste de l’indice de capacitéd’un processus [MS-36]11:00 Xu Sunny WANG, University of Waterloo, Hugh CHIPMAN, Acadia University, William J. WELCH,University of British ColumbiaSpecial Mixture Discriminant Model for Drug Discovery Data • Modèle de mélange discriminanten recherche de médicaments [MS-37]11:15 Shakhwat HOSSAIN & S. Ejaz AHMED, University of WindsorRisk-reducing Stein-like Estimation in a Lifetime Censored Regression Model • Estimation deStein réduisant le risque dans un modèle de régression pour le temps de survie censuré [MS-38]11:30 Crystal LINKLETTER, Chunfang LIN, Wilson LU, Pritam RANJAN, Derek BINGHAM & Richard LOCK-HART, Simon Fraser University, Tom LOUGHIN, Kansas State UniversityCompliance Testing for Random Effects Models with Joint Acceptance Criterion • Tests de conformitépour modèles à effets aléatoires avec critère d’acceptation conjointe [MS-39]11:45 Krishna SAHA, Central Connecticut State University, Maxwell KING, Monash UniversityAn Alternative Wald Type Test for Two Linear Restrictions with Applications to Non-linear Models• Un test alternatif de type Wald pour deux restrictions linéaires avec applications aux modèlesnon linéaires [MS-40]10:30–12:00 Session 02I SSC3018Design and Analysis of Clinical TrialsPlanification et analyse d’essais cliniquesContributed Paper Session • Séance de communications libresChair • Présidente: Judy-Anne CHAPMAN Queen’s University10:30 Yuanyuan LIANG & Keumhee Chough CARRIÈRE, University of AlbertaNew Allocation Rule for Repeated Measurement Designs • Nouvelles règles de répartition pourplans à mesures répétées [MS-41]10:45 Yanqing YI & Xikui WANG, University of ManitobaTesting Treatment Effects of Binary Response Adaptive Designs • Test sur les effets de traitementdes plans adaptatifs de réponse binaire [MS-42]SH = Somerville House SSC = Social Science Centre UC = University College

30 Lundi 29 mai • Monday, May 29, 13:30–15:0011:00 Gregory POND & Lillian SIU, Princess Margaret Hospital/University of TorontoImproving Efficiency in Clinical Trials Using a Markov Chain Transition Rate Model with ConditionalPower • Augmentation de l’efficacité des essais cliniques par l’utilisation de chaînes deMarkov avec puissance conditionelle [MS-43]11:15 Lisa LIX & Kathleen DEERING, University of ManitobaA Robust Two-Group Step-Down Test for Multiple Outcomes • Un test descendant robuste à deuxgroupes pour des résultats multiples [MS-44]11:30 Yang ZHAO, University of ReginaA Maximum Likelihood Estimator for the Analysis of Randomized Trials with Treatment Noncomplianceand Subsequent Nonresponse • Un estimateur du maximum de vraisemblance pourl’analyse d’essais cliniques aléatoires en présence de non-observance et de non-réponse [MS-45]11:45 Eleanor PULLENAYEGUM, University of Waterloo, Andrew WILLAN, University of TorontoSemi-parametric Models and Efficiency in Mean Cost Estimation • Modèles semi-paramétriques etefficacité dans l’évaluation du coût moyen [MS-46]12:00–13:30 Lunch • Dîner13:30–14:30 Session 03A SSC2050Canadian Journal of Statistics Award AddressAllocution du récipiendaire du Prix de la Revue canadienne de statistiqueSpecial Session • Conférence spécialeChair • Présidente: Mary THOMPSON University of Waterloo13:30–15:00 Session 03B SH3345Statistical Issues in Designing and Monitoring Clinical TrialsProblèmes statistiques dans la planification et la surveillance d’essais cliniquesInvited Paper Session • Présentations sur invitationBiostatistics Section • Groupe de biostatistiqueOrganizer and Chair • Responsable et présidente: Joan HU Simon Fraser University13:30 James NEATON, University of MinnesotaChallenges in the Design, Implementation, and Monitoring of HIV Treatment Trials • Défis dansla conception, l’implantation, et la surveillance d’essais de traitement du VIH [MS-47]14:15 Christopher JENNISON, University of Bath, UKAdaptivity in Group Sequential Designs • L’adaptabilité dans les plans séquentiels par groupes[MS-48]SH = Somerville House SSC = Social Science Centre UC = University College

Lundi 29 mai • Monday, May 29, 13:30–15:00 3113:30–15:00 Session 03C SH3315Change-point DetectionDétection de point de changementInvited Paper Session • Présentations sur invitationOrganizer and Chair • Responsable et présidente: Edit GOMBAY Univerity of Alberta13:30 Miklós CSÖRGŐ & Barbara SZYSZKOWICZ, Carleton University, Qiying WANG, University of SydneyThe Probable Error of a Mean and That of a Change in a Mean • L’erreur probable d’une moyenneet celle d’un changement de moyenne [MS-49]14:00 Murray BURKE, University of CalgaryChange-point Detection in a General Regression Model • Détection de changement structurel dansun modèle de régression général [MS-50]14:30 Edit GOMBAY & Daniel SERBAN, University of AlbertaMonitoring Parameter Change in Time Series Models • Surveillance du changement de paramètredans une série chronologique [MS-51]13:30–15:00 Session 03D SSC2036Design and Analysis of Experiments for Complex Computer ModelsPlanification et analyse d’expériences pour des modèles d’ordinateur complexesInvited Paper Session • Présentations sur invitationNational Program on Complex Data Structures • Programme national sur les structures de donnéescomplexesOrganizer and Chair • Responsable et président: Derek BINGHAM Simon Fraser University13:30 Bela NAGY, Jason LOEPPKY & William J. WELCH, University of British ColumbiaUncertainty in Kriging Predictions with and Without Random Error • Incertitude dans la prévisionpar krigeage avec et sans erreur aléatoire [MS-52]14:00 Marc KENNEDY, Clive ANDERSON, Anthony O’HAGAN, Mark LOMAS & Ian WOODWARD, University ofSheffield, UK, Andreas HEINEMEYER, University of York, UKQuantifying Uncertainty in the Biospheric Carbon Flux for England and Wales • Quantifier l’incertitudedans le flux du carbone biosphérique en Angleterre et au pays de Galles [MS-53]14:30 Shane REESE, Brigham Young University, Derek BINGHAM, Simon Fraser UniversityDesign of Experiments for Integrated Computer and Physical Experiments • Planification d’expériencesintégrant l’expérimentation physique et informatique [MS-54]15:00–15:30 Coffee Break • Pause-caféSH = Somerville House SSC = Social Science Centre UC = University College

32 Lundi 29 mai • Monday, May 29, 15:30–17:0015:30–16:30 Session 04A SSC2050Record Linkage and CounterterrorismCouplage d’enregistrements et la lutte au terrorismeSpecial Session • Conférence spécialeSurvey Methods Section • Groupe de méthodologie d’enquêteOrganizer and Chair • Responsable et présidente: Patricia WHITRIDGE Elections Canada15:30 Michael LARSEN, Iowa State UniversityRecord Linkage, Nondisclosure, Counterterrorism, and Statistics • Couplace d’enregistrements,non-divulgation, contre-terrorisme et statistiques [MS-55]15:30–17:00 Session 04B SSC2036Statistical Applications in ForestryApplications statistiques en foresterieInvited Paper Session • Présentations sur invitationNational Program on Complex Data Structures • Programme national sur les structures de donnéescomplexesOrganizer and Chair • Responsable et président: John BRAUN University of Western Ontario15:30 Al TITHECOTT & Rob MCALPINE, Ontario Ministry of Natural ResourcesForest Fire Management—Practical Problems of Uncertainty in Decision Support • Gestion desfeux de forêts : problèmes pratiques d’incertitude dans le support décisionnel [MS-56]16:00 Edward JOHNSON, University of CalgaryStatistics in Forest Ecology • La statistique en écologie forestière [MS-57]16:30 Farouk NATHOO & Charmaine DEAN, Simon Fraser UniversityMixture Models for Spatio-temporal Multi-state Processes • Modèles de mélange pour des processusspatio-temporels multi-état [MS-58]15:30–17:00 Session 04C SH3345Statistics in Public HealthStatistique en santé publiqueInvited Paper Session • Présentations sur invitationOrganizer and Chair • Responsable et présidente: Leilei ZENG Simon Fraser University15:30 Norman BRESLOW & Jon WELLNER, University of WashingtonWeighted Likelihood for Semiparametric Models and Two Phase Stratified Samples, with Applicationto Cox Regression • Vraisemblance pondérée pour modèles semiparamétriques et échantillonsstratifiés à deux niveaux, avec application à la régression de Cox [MS-59]16:00 Thérèse STUKEL, Institute for Clinical Evaluative SciencesAnalysis of Observational Studies in the Presence of Treatment Selection Bias: Effects of InvasiveSH = Somerville House SSC = Social Science Centre UC = University College

Lundi 29 mai • Monday, May 29, 15:30–17:00 33Cardiac Management on AMI Survival • Analyse des études d’observation en présence d’un biaisde sélection d’un traitement : effets de gestion cardiaque invasive sur la survie IMA [MS-60]16:30 John NEUHAUS & Charles MCCULLOCH, University of California at San FranciscoThe Consequences of Misspecified Random Effects Distributions on Predictions of Random Effects• Les conséquences d’une mauvaise spécification de la distribution des effets aléatoires lorsde la prédiction d’effets aléatoires [MS-61]15:30–17:00 Session 04D SH3315Statistical Applications in MarketingApplications statistiques en marketingInvited Paper Session • Présentations sur invitationBusiness and Industrial Statistics Section • Groupe de statistique industrielle et de gestionOrganizer and Chair • Responsable et président: Fernando CAMACHO Damos Inc.15:30 Alison BURNHAM, Digital CementCustomer Value Segmentation—Informing Better Marketing Decisions • Segmentation de la valeurclient – informer à propos de meilleures décisions de marketing [MS-62]16:15 Anthony PERCACCIO, Municipal Property Assessment CorporationNational Automated Valuation Models in Canada • Modèles nationaux d’évaluation automatiséeau Canada [MS-63]15:30–17:00 Session 04E SSC2024Limit Theorems with Applications in StatisticsThéorèmes limites avec applications en statistiqueInvited Paper Session • Présentations sur invitationOrganizer and Chair • Responsable et président: Deli LI Lakehead University15:30 Mei Ling HUANG & Ron KERMAN, Brock UniversityHermite Wavelet Estimation of Probability Density • Estimation de la densité de probabilité à l’aided’ondelettes de Hermite. [MS-64]15:52 Uwe EINMAHL, Vrije Universiteit Brussel, BelgiumSome Recent Results on the Consistency of Kernel-Type Estimators • Résultats récents sur laconvergence d’estimateurs à noyau [MS-65]16:14 Tiefeng JIANG, University of MinnesotaHow Many Entries of a Typical Orthogonal Matrix can be Approximated by Independent Normals?• Combien d’entrées d’une matrice orthogonale typique peuvent être approximées par desvariables normales indépendantes ? [MS-66]16:36 Andrei VOLODIN, University of Regina, Andrew ROSALSKY, University of FloridaOn the Golden ratio, Strong Law, and First Passage Problem • Sur le nombre d’or, la loi forte, et leproblème du premier passage [MS-67]SH = Somerville House SSC = Social Science Centre UC = University College

34 Lundi 29 mai • Monday, May 29, 15:30–17:0015:30–17:00 Session 04F SSC3026Bayesian StatisticsStatistique bayésienneContributed Paper Session • Séance de communications libresChair • Président: Bela NAGY University of British Columbia15:30 Mahmoud ZAREPOUR, University of Ottawa, Reza HABIBI, Shiraz UniversityA Quasi-Bayesian Change Point Detection with Random Exchangeable Weights • Détection quasibayésienne de changement structurel avec poids aléatoires échangeables [MS-68]15:45 David CAMPBELL, James O. RAMSAY, Giles HOOKER & Jiguo CAO, McGill UniversityComparing Methods for Estimating Parameters in Dynamic Systems • Comparaison de méthodespour estimer des paramètres dans des systèmes dynamiques [MS-69]16:00 Sohee KANG & Michael ESCOBAR, University of TorontoSemi-parametric Bayesian Logistic Regression • Régression logistique bayésienne semi-paramétrique[MS-70]16:15 Hadas MOSHONOV & Mike EVANS, University of TorontoChecking for Prior-data Conflict with Hierarchically Specified Priors • Vérification de l’existenced’un conflit dans l’a priori avant les observationsavec des lois a priori hiérarchiques [MS-71]16:30 Wanhua SU, University of Waterloo, Hugh CHIPMAN, Acadia University, Mu ZHU, University of WaterlooBayesian LAGO for Statistical Detection Problems • LAGO bayésienne pour des problèmes statistiquesde détection [MS-72]16:45 Sofia MOSESOVA, University of Waterloo, Hugh CHIPMAN, Acadia UniversityProfile-monitoring Curve Data • Contrôle de profils pour des données fonctionnelles [MS-73]15:30–17:00 Session 04G SSC3006Methodology for Time-to-event DataMéthodologie pour des données de temps d’attenteContributed Paper Session • Séance de communications libresChair • Présidente: Julie HORROCKS University of Guelph15:30 Xuewen LU & Jie SUN, University of CalgaryEfficient Semiparametric Estimation in a Class of Conditional Single-index Survival Models • Estimationsemi paramétrique efficace dans une classe de modèles de survie conditionnels à indicesimple [MS-74]15:45 Zhaozhi FAN, Memorial University of NewfoundlandMarginal Hazards Model for Multivariate Failure Times with Auxiliary Covariates • Modèle desrisques marginaux pour des temps de ruine multivariés avec des covariables auxiliaires [MS-75]SH = Somerville House SSC = Social Science Centre UC = University College

Lundi 29 mai • Monday, May 29, 15:30–17:00 3516:00 Yingwei PENG, University of Michigan & Memorial University of Newfoundland, Jeremy TAYLOR,University of Michigan, Binbing YU, Information Management Services, Inc., USAA Marginal Regression Model for Multivariate Failure Time Data with a Surviving Fraction •Un modèle de régression marginal pour données multivariées de temps de défaillance avec uneproportion qui survit [MS-76]16:30 Dianliang DENG, University of ReginaOn the Asymptotics of NPMLE of a Distribution Function Based on Bivariate Interval-censoredData • Propriétés asymptotiques de l’EVMNP d’une distribution basé sur des données bidimensionellescensurées par intervalles [MS-77]16:45 Abdul Sattar AL-KHALIDI, Insurance Bureau of CanadaLow-risk Dose Estimation for Environmental Toxic Agents—Weibull Hazard Model • Estimationde la dose à faible risque d’agents toxiques environnementaux – le modèle de Weibull [MS-78]15:30–17:00 Session 04H SSC3014Nonparametric MethodsMéthodes non paramétriquesContributed Paper Session • Séance de communications libresChair • Président: Bruno RÉMILLARD HEC Montréal15:30 Alberto CARABARIN & B. Gail IVANOFF, University of OttawaTwo-dimensional Survival Analysis Under General Censoring • Analyse de survie bidimensionnellesous censure générale [MS-79]15:45 Mayer ALVO & Vladislav BRION, University of OttawaNonparametric Tests of Hypotheses for Umbrella Alternatives • Tests d’hypothèse non paramétiquespour des alternatives de type parapluie [MS-80]16:00 Xiaobin YUAN & Cheng CHENG, St. Jude Children’s Research HospitalProjection-directed Invariant Tests for the Multivariate Multi-sample Problem • Tests invariants parprojection pour le problème multivarié à plusieurs échantillons [MS-81]16:15 Jean-François PLANTE & James V. ZIDEK, University of British ColumbiaNonparametric Likelihood Weights • Poids non paramétriques pour la vraisemblance pondérée[MS-82]16:30 Nathalie VANDAL, Université LavalComparison of Two Non Parametric Regression Methods with Application to a Mammary DensityStudy • Comparaison de deux méthodes de régression non paramétrique multivariées par uneapplication à une étude portant sur la densité mammaire [MS-83]16:45 G. Arthur MIHRAM, Princeton, NJ, Danielle MIHRAM, University of Southern CaliforniaScience, Mathematics, and Statistics • Science, mathématiques, et statistique [MS-84]SH = Somerville House SSC = Social Science Centre UC = University College

Mardi 30 mai • Tuesday, May 30, 10:15–11:45 3710:15–11:45 Session 06B SSC2024Regression Models: Recent Advances and ApplicationsModèles de régression : Développements récents et applicationsInvited Paper Session • Présentations sur invitationCanadian Caucus for Women in Statistics and Women in Statistics Committee of the SSC • Caucuscanadien des femmes en statistique et Comité des femmes en statistique de la SSCOrganizer and Chair • Responsable et présidente: Rhonda ROSYCHUK University of Alberta10:15 Yun Hee CHOI, Samuel Lunenfeld Research Institute at the Mount Sinai Hospital, E. David MATTHEWS& Y. Yi YI, University of WaterlooModelling Dependent Bivariate Time-to-event Data Using Accelerated Life Regression • Modélisationdes données dépendantes bidimensionnelles en utilisant une régression accélérée de la survie[MS-89]11:00 Tulay KORU-SENGUL, McMaster UniversityRegression Models for Longitudinal Data and its Applications • Les modèles de régression enprésence de données longitudinales et leurs applications [MS-90]10:15–11:45 Session 06C SSC2050BioinformaticsBioinformatiqueInvited Paper Session • Présentations sur invitationCanadian Applied and Industrial Mathematics Society • Société canadienne de mathématiquesappliquées et industriellesOrganizer and Chair • Responsable et président: Daniel ASHLOCK University of Guelph10:15 Gary FOGEL, Natural Selection, Inc.Applications of Computational Intelligence to Pattern Discovery in Biological Systems • Applicationsde l’intelligence informatique à la découverte de patrons reliés aux systèmes biologiques[MS-91]10:45 Gabriel MORENO-HAGELSIEB, Wilfrid Laurier University, Sarath JANGA, CCG-UNAMOperons and the Quality of Predictions of Functional Interactions Using Phylogenetic Profiles •Les opérons et la qualité des prévisions des interactions fonctionnelles en utilisant des profils phylogénétiques[MS-92]11:15 Daniel ASHLOCK, University of GuelphMulticlustering, Avoiding the Shape of Underlying Metrics • Éviter la forme des métriques sousjacentesen classification [MS-93]SH = Somerville House SSC = Social Science Centre UC = University College

38 Mardi 30 mai • Tuesday, May 30, 10:15–11:4510:15–11:45 Session 06D SH3345Meta-analysis of Randomized Controlled TrialsMéta-analyse d’essais contrôlés randomisésInvited Paper Session • Présentations sur invitationOrganizer and Chair • Responsable et président: Lehana THABANE McMaster University10:15 Andrew WILLAN & Joseph BEYENE, SickKids Research Institute/University of TorontoCombining Studies with Continuous and Binary Outcomes • Combinaison d’études avec résultatscontinus et binaires [MS-94]10:45 Anna SAWKA, University of TorontoUse of Bayesian Methodology in Meta-analysis • Utilisation de méthodologie bayésienne pour laméta-analyse [MS-95]11:15 Keith O’ROURKE, Ottawa Health Research InstituteA Generalized Meta-analysis Model: The Combination of Observations and Studies • Un modèlegénéralisé de méta-analyse : la combinaison des observations et des études [MS-96]10:15–11:45 Session 06E UC85Advances in Markov ProcessesDéveloppements dans les processus de MarkovInvited Paper Session • Présentations sur invitationOrganizer and Chair • Responsable et présidente: Gail IVANOFF University of Ottawa10:15 David MCDONALD, University of Ottawa, Charles BORDENAVE & Alexandre PROUTIÈRE, École NormaleSupérieureA Mean Field Analysis of Decentralized Random Access Protocols • Analyse par une approximationchamp moyen d’un protocole d’accès décentralisé [MS-97]10:45 Byron SCHMULAND, University of AlbertaReversibility for diffusions via Quasi-invariance • La réversibilité pour un processus de diffusionpar le biais de la quasi-invariance [MS-98]11:15 Donald DAWSON, Carleton UniversityCatalytic Branching Networks • Réseaux avec branchement catalytique [MS-99]10:15–11:45 Session 06F SSC3006Classical StatisticsStatistique classiqueContributed Paper Session • Séance de communications libresChair • Présidente: Yang ZHAO University of Regina10:15 Denis LAROCQUE, HEC Montréal, Jaakko NEVALAINEN & Hannu OJA, University of TampereA Weighted Multivariate Sign Test for Cluster Correlated Data • Un test pondéré des signes multivariépour des données corrélées en grappes [MS-100]SH = Somerville House SSC = Social Science Centre UC = University College

Mardi 30 mai • Tuesday, May 30, 10:15–11:45 3910:30 Ye SUN & Augustine WONG, York UniversityInference of the Normal Correlation Coefficient • Inférence à propos du coefficient de corrélationde variables normales [MS-101]10:45 Hyung-Tae HA & Serge PROVOST, University of Western OntarioA Moment-based Percentile Approximation Methodology • Une méthodologie d’approximationdes centiles basée sur les moments [MS-102]11:00 Chu-In LEE, Memorial University of Newfoundland, Jianan PENG, Acadia University, Lin LIU, Universityof California at San DiegoStatistical Inference for the Difference Between the Best Treatment Mean and a Control Mean •Inférence statistique sur la différence entre la moyenne du groupe avec le meilleur traitement etcelle du groupe contrôle [MS-103]11:15 Abdul KHAN, Aligarh Muslim University, IndiaCharacterization of Distributions through Conditional Expectation of Functions of Generalized OrderStatistics • Caractérisation de distributions par le biais d’espérances conditionelles de fonctionsde statistiques d’ordre généralisées [MS-104]10:15–11:45 Session 06G SSC3010Biostatistics in ActionBiostatistique en actionContributed Paper Session • Séance de communications libresChair • Président: Peter MACDONALD McMaster University10:15 Kenneth MCRAE & H.W. (Bud) PLATT, Agriculture & Agri-Food CanadaAn Index for Cultivar Resistance Based on Disease Progress Curves • Un indice pour la résistancedu cultivar basé sur des courbes de progrès de maladie [MS-105]10:30 Liying ZHANG, Andrew LOBLAW & Laurence KLOTZ, Sunnybrook & Women’s College Health SciencesCentre, University of TorontoModeling Prostate Specific Antigen (PSA) Kinetics in Prostate Cancer Patients during Surveillance• Modélisation de la cinétique de l’antigène spécifique de prostate (PSA) chez des patientssous surveillance souffrant de cancer de prostate [MS-106]10:45 Liqin XU & Marek SMIEJA, McMaster University, Lehana THABANE, McMaster University, Centrefor Evaluation of Medicines, St Joseph’s HealthcareModeling Lung Disease and its Progression in a Chronic Obstructive Pulmonary Disease Cohort •Modélisation d’une maladie pulmonaire et sa progression au sein d’une cohorte obstructive chronique[MS-107]11:00 Ji CHENG, Jack SUN & Richard WHITLOCK, McMaster University, Lehana THABANE, Centre for Evaluationof Medicines, St. Joseph Healthcare & McMaster UniversityA Meta-analysis on Bleeding and Cardiovascular Outcomes • Une méta-analyse sur le saignementet les résultats cardiovasculaires [MS-108]SH = Somerville House SSC = Social Science Centre UC = University College

40 Mardi 30 mai • Tuesday, May 30, 13:15–14:4511:15 Shih-Wa YING & Gurbakhshash SINGH, Simon Fraser University, Mary MCBRIDE, BC Cancer AgencyAnalyzing Long Term Hospitalization Records From an Administrative Database • Analyse desdossiers d’hospitalisation d’une base de données administratives [MS-109]10:15–11:45 Session 06H SSC3014Censored DataDonnées censuréesContributed Paper Session • Séance de communications libresChair • Président: Thierry DUCHESNE Université Laval10:15 Valérie ROY, Thierry DUCHESNE & Belkacem ABDOUS, Université LavalSmooth Nonparametric Quantile Regression with a Censored Response • Régression non paramétriquelisse des percentiles avec réponse censurée [MS-110]10:30 David BEAUDOIN, Thierry DUCHESNE & Christian GENEST, Université LavalImproving the Estimation of Kendall’s tau when Censoring Affects Only One of the Variables •Amélioration de l’estimation du tau de Kendall lorsque la censure n’affecte qu’une seule des deuxvariables [MS-111]10:45 Shojaeddin CHENOURI, University of WaterlooA Nonparametric Two Sample Test for Bivariate Right Censored Data • Un test non paramétriquepour données bidimensionnelles censurées à droite [MS-112]11:45–13:15 Lunch • Dîner13:15–14:15 Session 07A SH3345Isobel Loutit Invited Address on Business and Industrial StatisticsAllocution Isobel Loutit sur la statistique industrielle et de gestionSpecial Session • Conférence spécialeBusiness and Industrial Statistics Section • Groupe de statistique industrielle et de gestionOrganizer and Chair • Responsable et président: François PAGEAU SNC Tec13:15 Geoff VINING, Virginia TechThe Challenges of Statistical Leadership • Les défis du leadership en statistique [MS-113]13:15–14:45 Session 07B SSC2024Spatial/Temporal Modelling for Marine Ecological SystemsModèles spatiaux/temporels dans les systèmes écologiques marinsInvited Paper Session • Présentations sur invitationNational Program on Complex Data Structures and Biostatistics Section • Programme national surles structures de données complexes et le groupe de biostatistiqueOrganizer and Chair • Responsable et présidente: Joanna FLEMMING Dalhousie UniversitySH = Somerville House SSC = Social Science Centre UC = University College

Mardi 30 mai • Tuesday, May 30, 13:15–14:45 4113:15 Stephen SMITH, Bedford Institute of OceanographyData Needs and Challenges for Providing Ecosystem-based Advice for the Marine Environment •Besoin en données et défis reliés à l’établissement de conseils concernant l’écosystème de l’environnememarin [MS-114]13:45 Michael DOWD, Dalhousie UniversityState Space Approaches for Nonlinear Ecological Models • Approches d’espace d’état pour lesmodèles écologiques non linéaires [MS-115]14:15 Ransom MYERS, Ian JONSEN, Greg BREED, Mike JAMES & Joanna FLEMMING, Dalhousie UniversityUsing Robust Hierarchical State Space Switching Models to Elucidate the Behaviour of Seals andTurtles at Sea • Utilisation des modèles à changements de régime hiérarchiques d’espace d’étatrobustes pour élucider le comportement des phoques et des tortues marines [MS-116]13:15–14:45 Session 07C SSC2050Statistical Methods in Computational GeneticsMéthodes statistiques en calculs génétiquesInvited Paper Session • Présentations sur invitationBiostatistics Section • Groupe de biostatistiqueOrganizer and Chair • Responsable et présidente: Aurélie LABBE Université Laval13:15 Mayetri GUPTA, Joseph IBRAHIM & Pingping QU, University of North Carolina at Chapel HillInferring Gene Regulation From Integrated Bayesian Analysis of Genomic Sequence and ExpressionData • Inférer la régulation des gènes à partir de l’analyse bayésienne intégrée de données deséquençage et d’expression génomique [MS-117]13:45 Raphael GOTTARDO, University of British ColumbiaBayesian Analysis of ChIP-chip Experiments: Data, Questions and Partial Answers • Analysebayésienne d’expériences ChIP-chip : données, questions et réponses partielles [MS-118]14:15 Radu CRAIU, University of Toronto, Shelley BULL, Samuel Lunenfeld Research Institute, AndrewPATERSON, Hospital for Sick Children, Toronto, Lei SUN, Departments of Public Health and Statistics,Hospital for Sick Children, TorontoSeparating the Wheat from the Chaff: Statistical Methods for False Discovery Control • Méthodesstatistiques pour le contrôle des fausses découvertes [MS-119]13:15–14:45 Session 07D SSC3006Probability in High Dimensions and its ApplicationsProbabilités en dimensions élevées et leurs applicationsInvited Paper Session • Présentations sur invitationOrganizer and Chair • Responsable et président: Andre VOLODIN University of Regina13:15 Evarist GINÉ, University of Connecticut, David M. MASON, University of DelawareLocal U-statistic Processes and the Estimation of Densities of Functions of Several Sample Variables:Rates of Approximation in Probability • Processus local de la statistique-U et estimation deSH = Somerville House SSC = Social Science Centre UC = University College

42 Mardi 30 mai • Tuesday, May 30, 13:15–14:45densités de fonctions de plusieurs variables indépendantes : taux d’approximation en probabilité[MS-120]13:45 David MASON, University of Delaware, Evarist GINÉ, University of ConnecticutLIL for the Local U-Statistic Process with Application to the Strong Consistency of a Class ofKernel Density Estimators • LLI pour le processus local de la statistique-U avec application à laconvergence forte d’une classe d’estimateurs de densité par le noyau [MS-121]14:15 Rafal KULIK, Carleton UniversityBahadur-Kiefer Theory for Weakly and Strongly Dependent Sequences • Théorie de Bahadur-Kiefer pour séquences faiblement et fortement dépendantes [MS-122]13:15–14:45 Session 07E SSC3018Innovative Teaching in Probability and StatisticsEnseignement innovateur en probabilités et statistiqueInvited Paper Session • Présentations sur invitationEducation Committee of the SSC • Comité d’éducation de la SSCChair • Président: Román VIVEROS-AGUILERA McMaster UniversityOrganizer • Responsable: Rachel ALTMAN Simon Fraser University & Román VIVEROS-AGUILERAMcMaster University13:15 Paul COREY, University of TorontoUse of Simulation in the Teaching of Non-specialists • Utilisation de simulations dans l’enseignementpour non-spécialistes [MS-123]13:45 Jim STALLARD, University of CalgaryThe Education of Us • L’éducation des nôtres [MS-124]14:15 Paul CABILIO, Acadia UniversityAn Integrated Computer Aided Approach to Teaching Introductory Statistics • Une approche intégréeassistée par ordinateur pour enseigner la statistique de base [MS-125]13:15–14:45 Session 07F UC85Joint Modelling of Longitudinal and Survival Data and Applications in Cancer PatientsModélisation conjointe de données longitudinales et de survie et applications aux patientsatteints de cancerInvited Paper Session • Présentations sur invitationChair • Présidente: Tulay KORU-SENGUL McMaster UniversityOrganizer • Responsable: Shesh RAI St Jude’s Hospital13:15 Deo Kumar SRIVASTAVA, Shesh N. RAI, Lijun ZHANG, James M. BOYETT & Sean PHIPPS, St. JudeChildren’s Research HospitalMultivariate Modeling of Longitudinal Data and Survival Data with Application to Pediatric CancerStudy • Modélisation multivariée de données longitudinales et de survie, avec une application àl’étude du cancer pédiatrique. [MS-126]SH = Somerville House SSC = Social Science Centre UC = University College

Mardi 30 mai • Tuesday, May 30, 13:15–14:45 4313:45 Jianguo (Tony) SUN, Xingwei TONG & Xin HE, University of MissouriRegression Analysis of Longitudinal Data with Informative Observation and Follow-up Times •Analyse par régression de données longitudinales en présence d’observations informatives et destemps de suivi [MS-127]14:15 Do-Hwan PARK, University of Nevada-Reno, Liuquan SUN, Chinese Academy of SciencesGap Time Analysis of Longitudinal Data with the Application to Cancer Studies • Analyse destemps d’intervalle pour des données longitudinales avec une application aux études sur le cancer[MS-128]13:15–14:45 Session 07G SSC3014Tail Behaviour and Elliptically Contoured DistributionsComportement des ailes et distributions à contours elliptiquesContributed Paper Session • Séance de communications libresChair • Président: José GARRIDO Concordia University13:15 Taraneh ABARIN, University of ManitobaA Simulation Study of the GMM and the Second-order Least Squares Estimators in NonlinearModels • Une étude de simulation pour les estimateurs MMG et des moindres carrés du secondordre sous des modèles non linéaires [MS-129]13:30 Debbie DUPUIS, HEC Montréal, Maria-Pia VICTORIA-FESER, Université de GenèveRobust Prediction Error Criterion for Pareto Modeling of Upper Tails • Un critère robuste de prévisionpour la modélisation Pareto des ailes supérieures [MS-130]13:45 Alexandru ASIMIT & Bruce JONES, University of Western OntarioOn the Extreme Behaviour of Continuous Bivariate Elliptical Distributions • Le comportementextrême des distributions elliptiques bidimensionelles continues [MS-131]14:15 Shahjahan KHAN, University of Southern Queensland, A K Md Ehsanes SALEH, Carleton UniversityEstimation of Parameters of the Simple Multivariate Linear Model with Student-t Errors • Estimationdes paramètres du modèle linéaire multivarié simple avec des erreurs t de Student [MS-132]14:30 Mahmoud TORABI & J.N.K. RAO, Carleton UniversityOn Small Area Estimation Under a Sub-area Level Model • L’estimation de petites régions à l’aided’un modèle défini pour les sous-régions [MS-133]13:15–14:45 Session 07H UC222Dependence, Scores and ApplicationsDépendance, cotes et applicationsContributed Paper Session • Séance de communications libresChair • Président: Sudhir PAUL University of WindsorSH = Somerville House SSC = Social Science Centre UC = University College

44 Mardi 30 mai • Tuesday, May 30, 13:15–14:4513:15 Sohail KHAN & S. Ejaz AHMED, University of WindsorEstimating Intraclass Correlation Coefficients from the Class of Elliptically Contoured Distributions• Estimation des coefficients de corrélation intraclasse pour la famille des distributions àcourbes de niveau elliptiques [MS-134]13:30 Lajmi LAKHAL-CHAIEB, University of Waterloo, Louis-Paul RIVEST & David BEAUDOIN, UniversitéLavalEstimating Kendall’s tau Under Bivariate Censoring • Estimation du tau de Kendall à partir dedonnées censurées [MS-135]13:45 Miao WANG, Dongsheng TU & Deb FELDMAN-STEWART, Queen’s UniversityAnalysis of Quality of Life Data (QoL) from Cancer Clinical Trials based on Item Response Theory• Analyse de mesures de qualité de vie (QdV) d’essais cliniques basées sur la théorie de réponseaux items [MS-136]14:00 Mahbubul HAQ, Centre for the Evaluation of Medicines (Hamilton, Ontario), Lisa DOLOVICH, Centrefor the Evaluation of Medicines, Leslie Dan Faculty of Pharmacy (University of Toronto),Pharmacy Department (St. Joseph’s Healthcare, Hamilton, Ontario), Department of ClinicalEpidemiology and Biostatistics (McMaster University, Hamilton, Ontario), Department of FamilyMedicine (McMaster University, Hamilton, Ontario), Lisa MCCARTHY, Centre for the Evaluationof Medicines (Hamilton, Ontario), Janusz KACZOROWSKI, Centre for the Evaluation of Medicines(Hamilton, Ontario), Department of Clinical Epidemiology and Biostatistics (McMaster University,Hamilton, Ontario), Department of Family Medicine (McMaster University, Hamilton, Ontario),Lehana THABANE, Centre for the Evaluation of Medicines (Hamilton, Ontario), Departmentof Clinical Epidemiology and Biostatistics (McMaster University, Hamilton, Ontario)Self Reported Risk for Drug Related Problems in Ambulatory Elderly Patients Referred for FamilyPractice Pharmacist Assessment • Le risque auto rapporté des problèmes reliés à la médication depatients âgés référés pour une évaluation d’un pharmacien de famille praticien [MS-137]14:15 Mi YAN, University of Waterloo, Edward GIBSON, Lehana THABANE & A.C. Peter POWLES, McMasterUniversity, Susan O’BRIEN, Ancaster High School, Danielle Sirriani MOLNAR, Brock UniversitySleepiness in Adolescence: A Survey of 3200 Canadian Students • Somnolence chez les adolescents: une enquête sur 3200 étudiants canadiens [MS-138]13:15–14:45 Session 07I SSC3010Business SurveysEnquêtes sur les entreprisesContributed Paper Session • Séance de communications libresChair • Présidente: Susana RUBIN-BLEUER Statistics Canada13:15 Zachary PRITCHARD & Charles TARDIF, Statistics CanadaThe Use of The Goods and Services Tax by the Monthly Restaurants, Caterers and Taverns Survey •L’utilisation de la taxe sur les produits et services pour l’Enquête mensuelle sur les restaurants,traiteurs et tavernes [MS-139]SH = Somerville House SSC = Social Science Centre UC = University College

Mardi 30 mai • Tuesday, May 30, 15:15–16:45 4513:30 Éric PELLETIER, Wisner JOCELYN & Lenka MACH, Statistique CanadaComparison between Two Data Sources: Tax Data and Respondent Data of the Unified EnterpriseSurvey of Statistics Canada • Comparaisons entre deux sources de données : données fiscales etdonnées des répondants de l’enquête unifiée auprès des entreprises de Statistique Canada [MS-140]13:45 Rose-Carline EVRA & Sylvie DEBLOIS, Statistique CanadaReview of the Collection Strategy of Statistics Canada’s Unified Enterprise Survey • Revue desstratégies de collecte de l’enquête unifiée auprès des entreprises de Statistique Canada [MS-141]14:00 Cynthia BOCCI & Jean-François BEAUMONT, Statistique CanadaDealing with the Problem of Combined Reports at the Sampling Design Stage for the Workplaceand Employee Survey • Le traitement du problème des rapports combinés à l’étape du plan desondage à l’Enquête sur le milieu de travail et les employés [MS-142]14:15 Stuart PURSEY, Paul HUNSBERGER, Zeeshan ZEESHAN & Stuart PURSEY, Statistics CanadaRecent Developments in the Redesign of Statistics Canada’s Business Register • Développementsrécents dans le remaniement du registre des entreprises de Statistique Canada [MS-143]14:45–15:15 Coffee Break • Pause-café15:15–16:45 Session 08A SSC2050Data Mining Complex StructuresStructures complexes de forage de donnéesInvited Paper Session • Présentations sur invitationNational Program on Complex Data Structures • Programme national sur les structures de donnéescomplexesOrganizer and Chair • Responsable et président: Antonio CIAMPI McGill University & Hugh CHIP-MAN Acadia University15:15 Shuying SUN, Celia GREENWOOD & Radford NEAL, University of TorontoHaplotype Inference Using a Hidden Markov Model with Efficient Markov Chain Sampling • Inférencesur le haplotype en utilisant un modèle de Markov caché avec un échantillonnage efficacepar chaînes de Markov [MS-144]15:45 Sam ROWEIS, University of Toronto, Amir GLOBERSON, MITVisualizing Binary Pairwise Similarity Data • Visualisation de données binaires de similarité deuxà-deux[MS-145]16:15 David BANKS, Duke UniversityRobustness in Data Mining • Robustesse en forage de données [MS-146]15:15–16:45 Session 08B SH3345Genomic Assessment Implications of Biologic HeterogeneityImplications sur l’évaluation génomique de la variabilité biologiqueInvited Paper Session • Présentations sur invitationBiostatistics Section • Groupe de biostatistiqueOrganizer and Chair • Responsable et présidente: Judy-Anne CHAPMAN Queen’s UniversitySH = Somerville House SSC = Social Science Centre UC = University College

46 Mardi 30 mai • Tuesday, May 30, 15:15–16:4515:15 Debashis GHOSH, University of MichiganImplications of Tumor Heterogeneity on Assessment of Differential Expression using GenomicData • Conséquences de l’hétérogénéité des tumeurs pour déterminer les différences d’expressionen utilisant des données génomiques [MS-147]15:45 Guilherme ROSA, Michigan State UniversityDesign and Analysis of Genetical Genomics Studies Involving Complex Traits • Conception etanalyse des études des génomes génétiques impliquant des traits complexes [MS-148]16:15 Judy-Anne CHAPMAN, NCIC Clinical Trials Group, David AXELROD, Rutgers University, NaomiMILLER, University of Toronto, Jin QIAN, University of Waterloo, William CHRISTENS-BARRY, EquipoiseImaging LLC, Yan YUAN, University of Waterloo, Yuejiao FU, York UniversityClinical Implications of Tumor Heterogeneity Demonstrated Pathologically and with Image Analysis• Implications cliniques de l’hétérogénéité des tumeurs démontrées pathologiquement et paranalyse d’image [MS-149]15:15–16:45 Session 08C SSC2024Probability and FinanceProbabilités et financeInvited Paper Session • Présentations sur invitationOrganizer and Chair • Responsable et président: André DABROWSKI University of Ottawa15:15 Alexander MELNIKOV & Yulia ROMANIUK, University of AlbertaStochastic Methods and Statistical Technique for Equity-linked Life Insurance • Méthodes stochastiqueset technique statistique pour l’assurance-vie liée à des indices boursiers [MS-150]15:45 Wei SUN, Concordia University, Ze-Chun HU, Nanjing University, China, Zhi- Ming MA, Instituteof Applied Mathematics, Chinese Academy of SciencesExtensions of Levy-Khintchine Formula and Beurling-Deny Formula in Semi-Dirichlet Forms Setting• Extensions de la formule de Levy-Khintchine et de la formule Beurling-Deny dans le contextedes formes semi-Dirichlet [MS-151]16:15 Steve DREKIC, University of WaterlooOptimal Dividends Under a Ruin Probability Constraint • Dividendes optimaux sous une contraintede probabilité de ruine [MS-152]15:15–16:45 Session 08D SSC3018The History of Statistics and ProbabilityL’histoire de la statistique et des probabilitésInvited Paper Session • Présentations sur invitationInstitute of Mathematical Statistics • Institut pour la statistique mathématiqueOrganizer and Chair • Responsable et président: Duncan MURDOCH University of Western OntarioSH = Somerville House SSC = Social Science Centre UC = University College

Mardi 30 mai • Tuesday, May 30, 15:15–16:45 4715:15 Michael FRIENDLY, York UniversityAndré-Michel Guerry and the Rise of Moral Statistics • André-Michel Guerry et la naissance de lastatistique morale [MS-153]15:45 Christian GENEST, Université Laval, David R. BELLHOUSE, University of Western OntarioAbraham De Moivre: Genius in Exile • Abraham de Moivre : génie en exil [MS-154]16:15 George STYAN, McGill University, Simo PUNTANEN, University of TampereSome Comments About Issai Schur (1875–1941) and The Early History of Schur Complements •Quelques commentaires sur Issai Schur (1875-1941) et le développement des compléments deSchur [MS-155]15:15–16:45 Session 08E UC85Estimating Function MethodologyMéthodologie d’estimation de fonctionsInvited Paper Session • Présentations sur invitationOrganizer and Chair • Responsable et présidente: Mary THOMPSON University of Waterloo15:15 Peter SONG & Qian ZHOU, University of WaterlooInformation Matrix: From Fisher to Godambe • Matrices d’information : de Fisher à Godambe[MS-156]15:45 Bent JØRGENSEN, University of Southern DenmarkEstimating Functions and Analysis of Missing Data • Fonctions d’estimation et analyse des donnéesmanquantes [MS-157]16:15 Jack KALBFLEISCH, Yining YE & Douglas SCHAUBEL, University of MichiganEstimating Functions for Correlated Recurrent and Terminal Events • Fonctions d’estimation pourévènements récurrents et terminaux corrélés [MS-158]15:15–16:45 Session 08F SSC3006Computational Methods in StatisticsMéthodes computationnelles en statistiqueContributed Paper Session • Séance de communications libresChair • Président: Paul PENG University of Michigan and Memorial University of Newfoundland15:15 Justin HARRINGTON, University of British ColumbiaAn Introduction to Linear Grouping Analysis • Introduction à l’analyse linéaire de groupes [MS-159]15:30 Peter MACDONALD, McMaster University, Ruochu GAO, University of Western OntarioThe EM Algorithm for Finite Mixtures with Subsampling • Un algorithme EM pour des mélangesfinis de distributions avec sous-échantillonnage [MS-160]15:45 Johan VAN HOREBEEK, CIMAT, Hugh CHIPMAN, Acadia UniversityContext Sensitive Regression Models with Binary Predictors • Modèles de régression contextuelsavec prédicteurs binaires [MS-161]SH = Somerville House SSC = Social Science Centre UC = University College

48 Mardi 30 mai • Tuesday, May 30, 15:15–16:4516:00 Hui SHEN & William J. WELCH, University of British ColumbiaEstimating Prediction Error in Linear Regression by Cross Validation • Estimer l’erreur de prévisionen régression linéaire par validation croisée [MS-162]16:15 Yu ZHANG, University of ReginaBivariate Exponential Distributions and its Application on Matched Pair Data • Distributions exponentiellesbidimensionnelles et leur application dans un contexte de données appariées [MS-163]16:30 Adeniyi ADEWALE & Douglas P. WIENS, University of AlbertaRobust Designs for Logistic Model with Overdispersion • Plans robustes pour un modèle logistiqueavec hyperdispersion [MS-164]15:15–16:45 Session 08G SSC3010Methodology for Complex Data StructuresMéthodologie pour des données à structure complexeContributed Paper Session • Séance de communications libresChair • Président: Kenneth MCRAE Agriculture and Agri-Food Canada15:15 Eshetu ATENAFU, University of TorontoJoint Analysis of Longitudinal and Survival Data with Application to Cystic Fibrosis • Analyseconjointe de données longitudinales et de survie, avec une application à la fibrose kystique[MS-165]15:30 David TOLUSSO & Richard COOK, University of WaterlooFlexible Parametric Models for Truncated and Interval-censored Multi-state Data • Modèles paramétriquesflexibles pour des données tronquées, à intervalle censuré et multi-état [MS-166]16:00 Jiguo CAO, James O. RAMSAY & Giles HOOKER, McGill UniversityFitting HIV Mixed-effects Dynamic Models to Clinical Trials • Ajustement de modèles dynamiquesà effets mixtes pour des essais cliniques pour le VIH [MS-167]16:15 Mohua PODDER, William J. WELCH & Ruben H. ZAMAR, University of British ColumbiaDynamic Variable Selection in SNP Classification Based on an APEX Microarray Platform • Sélectionde variable dynamique en classification de SNP basée sur une plate-forme de puces APEX[MS-168]16:30 Qian ZHOU, University of Waterloo, S. Stanley YOUNG, National Institute of Statistical Sciences, MuZHU, University of WaterlooSequential Learning of SVMs for Target Identification in Drug Discovery • Apprentissage séquentiellede SVMs pour l’identification de cible dans la découverte de médicament [MS-169]16:45 Julie HORROCKS, Azim BHAMANI, Hoki PONG, Marianne VAN DEN HEUVEL, Francis TEKPETEY & B.Anne CROY, University of GuelphClassification of Longitudinal Data with Missing Values • Classification de données longitudinalesavec des valeurs manquantes [MS-170]SH = Somerville House SSC = Social Science Centre UC = University College

Mardi 30 mai • Tuesday, May 30, 15:15–16:45 4915:15–16:45 Session 08H SSC3014Survey Analysis and OperationsAnalyse d’enquêtes et opérationsContributed Paper Session • Séance de communications libresChair • Président: Louis-Paul RIVEST Université Laval15:15 Harold MANTEL & Edward J. CHEN, Statistics CanadaMethodological Innovations for the Canadian Labour Force Survey • Innovations méthodologiquesdans l’Enquête canadienne sur la population active [MS-171]15:45 Hansheng XIE & Walter MUDRYK, Statistics CanadaA Methodological Approach to Controlling Inter-monitor Variability in Computer Assisted TelephoneInterviewing Operations • Une approche méthodologique du contrôle de la variabilité entreles surveillants dans les opérations d’entrevues téléphoniques assistées par ordinateur [MS-172]16:00 Pat NEWCOMBE, Statistics CanadaWhat to do when Survey Weights Weigh you Down • Quoi faire quand les pondérations (les poids)d’une enquête pèsent sur vous [MS-173]16:45–18:15 SSC2050Assemblée générale de la SSCSSC General MeetingSH = Somerville House SSC = Social Science Centre UC = University College

50 Mercredi 31 mai • Wednesday, May 31, 08:30–10:00Mercredi 31 mai • Wednesday, May 3108:30–09:30 Session 09A SSC2050Pierre Robillard Award AddressAllocution du récipiendaire du prix Pierre-RobillardSpecial Session • Conférence spécialeOrganizer and Chair • Responsable et président: Paul GUSTAFSON University of British Columbia08:30–10:00 Session 09B SSC2024Applied ProbabilityProbabilités appliquéesInvited Paper Session • Présentations sur invitationChair • Président: Reg KULPERGER University of Western OntarioOrganizer • Responsable: Reg KULPERGER & David STANFORD University of Western Ontario08:30 David BRILLINGER, University of California at Berkeley, Brent STEWART, Hubbs-Sea World ResearchInstitute, Charles LITTNAN, Pacific Islands Fisheries Science Center, NOAA FisheriesThree Months Journeying of a Hawaiian Monk Seal • Le voyage de trois mois d’un phoque moinehawaïen [MS-174]09:00 Bruce SMITH, Dalhousie UniversityReturn Period Models for High Sea Levels • Modèles de la période de retour pour les niveauxélevés de la mer [MS-175]09:30 Glen TAKAHARA, Queen’s University, Chris LEITH, Royal Bank of CanadaFinite Memory Polya Urns • Urnes de Polya à mémoire finie [MS-176]08:30–10:00 Session 09C SSC2036Analysis of Longitudinal Complex Survey Data Using Marginal Modelling and GEE:Theory and PracticeAnalyse de données longitudinales d’enquêtes complexes utilisant la modélisation marginaleet les EEG : théorie et pratiqueInvited Paper Session • Présentations sur invitationSurvey Methods Section • Groupe de méthodologie d’enquêteOrganizer and Chair • Responsable et présidente: Susana RUBIN-BLEUER Statistics Canada08:30 Georgia ROBERTS, Statistics Canada, J.N.K. RAO, Carleton University & Statistics Canada, QunshuREN, Carleton UniversityGoodness-of-fit Tests of Marginal Logistic Models for Longitudinal Complex Survey Data • Testsd’adéquation de modèles logistiques marginaux pour des données longitudinales d’enquêtes complexes[MS-177]SH = Somerville House SSC = Social Science Centre UC = University College

Mercredi 31 mai • Wednesday, May 31, 10:30–11:30 5108:52 Abdelnasser SAIDI, Statistics Canada, Diane STUKEL, UNESCO, Susana RUBIN-BLEUER, StatisticsCanadaEfficiency Comparisons of GEE versus IEE for Longitudinal Complex Survey Data with OrdinalResponses • Comparaisons de l’efficacité de la méthode des EEG par rapport à la méthode des EEIpour des données longitudinales ordinales d’enquêtes complexes [MS-178]09:14 Punam PAHWA, Dept. of Community Health and Epidemiology, Chandima KARUNANAYAKE & HelenMCDUFFIE, Inst. of Agricultural Rural and Environmental HealthModelling of Longitudinal Polytomous Outcomes From Complex Survey Data: Using GEE andMissing Data Analysis • Modélisation des résultats polychotomiques longitudinaux pour des donnéescomplexes d’une enquête : utilisation du EEG et de l’analyse de données manquantes [MS-179]09:36 Sunita GHOSH & Punam PAHWA, University of Saskatchewan, Geert MOLENBERGHS, Hasselt UniversityDesign-based Versus Model-based Methods: A Comparative Study Using Longitudinal SurveyData. • Les méthodes basées sur le plan de sondage versus les méthodes basées sur un modèle :étude comparative en utilisant des données longitudinales d’une enquête. [MS-180]10:00–10:30 Coffee Break • Pause-café10:30–11:30 Session 10A SSC2050Special Invited Session of the Biostatistics SectionAllocution de l’invité d’honneur du Groupe de biostatistiqueSpecial Session • Conférence spécialeBiostatistics Section • Groupe de biostatistiqueOrganizer and Chair • Responsable et président: Michael ESCOBAR University of Toronto10:30 Donald BERRY, The University of Texas M.D. Anderson Cancer CenterWeaknesses and Strengths of a Bayesian Approach in Clinical Research • Faiblesses et forces d’uneapproche bayésienne en recherche clinique [MS-181]10:30–12:00 Session 10B SSC2036Recent Advances in SPC and Data Driven StatisticsDéveloppements récents en CSP et statistiques guidées par les donnéesInvited Paper Session • Présentations sur invitationBusiness and Industrial Statistics Section • Groupe de statistique industrielle et de gestionOrganizer and Chair • Responsable et président: Gemai CHEN University of Calgary10:30 Douglas HAWKINS, University of MinnesotaStatistical Process Control and the Problem of Unknown Parameters • Difficultés causées par laprésence de paramètres inconnus en contrôle des procédés. [MS-182]SH = Somerville House SSC = Social Science Centre UC = University College

52 Mercredi 31 mai • Wednesday, May 31, 10:30–12:0011:00 Willem ALBERS & Wilbert C.M. KALLENBERG, University of TwenteShewhart Control Charts in New Perspective • Une nouvelle perspective pour les cartes de contrôleShewhart [MS-183]11:30 Lingyun ZHANG, Massey University, Gemai CHEN, University of CalgaryOn t and EWMA t Charts for Monitoring Changes in the Process Mean • Sur des cartes de contrôlet et EWMA t pour étudier le changement dans la moyenne du processus [MS-184]10:30–12:00 Session 10C SH3345Analyzing Data from International SurveysAnalyse de données d’enquêtes internationalesInvited Paper Session • Présentations sur invitationSurvey Methods Section • Groupe de méthodologie d’enquêteOrganizer and Chair • Responsable et présidente: Diane STUKEL UNESCO10:30 Scott MURRAY, UNESCO Institute for StatisticsExamples From Large-scale Skill Assessment • Exemples à partir d’évaluations d’habiletés àgrande échelle [MS-185]11:00 Miles CORAK, Statistics CanadaChild Poverty and Changes in Child Poverty • La pauvreté chez l’enfant et les changements dansla pauvreté chez l’enfant [MS-186]11:30 Edilberto LOAIZA, UNICEFAnalysis and Availability of Data Collected Via International Household Surveys Programs • Analyseet disponibilité des données provenant de programmes d’enquêtes internationales sur les ménages[MS-187]10:30–12:00 Session 10D SSC3018Statistical Analysis of Non-precise DataAnalyse statistique des données imprécisesInvited Paper Session • Présentations sur invitationOrganizer and Chair • Responsable et président: Mayer ALVO University of Ottawa10:30 Reinhard VIERTL, Vienna University of TechnologyFuzzy Information and Statistics • L’information floue et la statistique [MS-188]11:00 François THÉBERGE & Mayer ALVO, University of OttawaClassification of Non-precise Data • Classification de données non précises [MS-189]11:30 Maria GIL, Gil GONZALEZ-RODRIGUEZ & Ana COLUBI, Universidad de Oviedo, SpainA Classical Goodness-of-fit Test Based on Fuzzy Random Variables • Un test classique d’ajustementbasé sur des variables aléatoires floues [MS-190]SH = Somerville House SSC = Social Science Centre UC = University College

Mercredi 31 mai • Wednesday, May 31, 10:30–12:00 5310:30–12:00 Session 10E SSC2024Case Study II: Obstructive Sleep ApneaÉtude de cas II : L’apnée obstructive du sommeilCase Study • Étude de casOrganizer and Chair • Responsable et présidente: Allison L. GIBBS University of Toronto10:30 Sharon CHUNG, Toronto Western HospitalPresentation of the Data Set • Présentation du jeu de données10:40 Meng DU, Zi JIN & Longhai LI, University of Toronto10:50 Linglong KONG, Yuanyuan LIANG, Mengzhe WANG & Qiaohao ZHU, University of Alberta11:00 Song LI & Yaling YIN, University of Saskatchewan11:10 Yin CUI, Ahmad A. FAROOQI & Tasneem ZAIHRA, University of Windsor11:20 Ryan BROWNE, Charlotte GRIEVE, Kristen MADDALENA & Erik YOUNGSON, University of Waterloo11:30 Lin FANG, David HAN & Wang LI, McMaster University11:40 MingXia DENG, University of New Brunswick11:50 Rena (Jie) SUN & Cynthia (Xin) ZHENG, University of Calgary10:30–12:00 Session 10F SSC3026Time SeriesSéries chronologiquesContributed Paper Session • Séance de communications libresChair • Président: Reg KULPERGER University of Western Ontario10:30 Asokan MULAYATH VARIYATH, Bovas ABRAHAM & Jiahua CHEN, University of WaterlooVariable Selection in Generalized Linear Models by Empirical Likelihood • Sélection de variablespar la vraisemblance empirique dans un modèle linéaire généralisé [MS-191]10:45 Alex BADESCU & Reg KULPERGER, University of Western Ontario, Emese LAZAR, University of ReadingNormal Mixtures GARCH Models and Option Pricing • Modèles GARCH de mélanges normauxet évaluation d’option [MS-192]11:00 Mohamedou OULD HAYE & A. K. Md. E. SALEH, Carleton UniversityQuasi-empirical Bayes Methods of Estimation in ARMA models • Méthodes quasi bayésiennesdans l’estimation des modèles ARMA [MS-193]11:15 Khadija BOUZAACHANE, Ecole Mohammadia d’Ingénieurs, Maroc, Youssef BENGHABRIT, Ecole NationaleSupérieure des Arts et Métiers, Meknès, Mostaf HARTI, Université Sidi Mohammed BenAbdellah, MarocAlgorithm of Maximum Likelihood Parameters Estimation for First-order Superdiagonal BilinearTime Series • Algorithme d’estimation par maximum de vraisemblance des paramètres du modèlebilinéaire superdiagonal d’ordre un [MS-194]SH = Somerville House SSC = Social Science Centre UC = University College

54 Mercredi 31 mai • Wednesday, May 31, 10:30–12:0011:30 Zahirul HOQUE, University of Newcastle, Australia, Richard GERLACH, University of Sydney, AustraliaImproved Estimation for Dynamic Linear Regression Model • Estimation améliorée pour un modèlede régression linéaire dynamique [MS-195]11:45 Ian MCLEOD, University of Western Ontario, Ying ZHANG, AcadiaSubset Autoregression: A New Approach • Une nouvelle approche pour modèles autorégressifssur sous-ensembles [MS-196]10:30–12:00 Session 10G SSC3006Probability and Mathematical StatisticsProbabilité et statistique mathématiqueContributed Paper Session • Séance de communications libresChair • Président: Miklós CSÖRGŐ Carleton University10:30 Cody HYNDMAN, University of CalgaryForward-backward Stochastic Differential Equations and Transforms for Affine Diffusions • Leséquations différentielles stochastiques directes et rétrogrades et les transformations pour diffusionsaffines [MS-197]10:45 François WATIER & René FERLAND, Université du Québec à MontréalMaximizing Expected Utility Through Forward-backward Stochastic Differential Equations • Optimisationde l’utilité espérée par le biais d’équations différentielles stochastiques directes et rétrogrades[MS-198]11:00 Adriana JORDAN & Gail IVANOFF, University of OttawaA Two-sample Copula Process • Un processus de copules pour deux échantillons [MS-199]11:15 Hanna JANKOWSKI, University of WashingtonEmpirical Central Limit Theorems under Model Misspecification • Versions empiriques du théorèmecentral limite pour un modèle mal spécifié [MS-200]11:30 Raluca BALAN, University of Ottawa, Ingrid-Mona ZAMFIRESCU, Baruch College, City University ofNew YorkStrong Approximation for Mixing Sequences with Infinite Variance • Approximation forte pourdes suites mélangeantes avec variance infinie [MS-201]11:45 Yuliya MARTSYNYUK, Carleton UniversityNew Central Limit Theorems via Studentization in Linear Structural Error-in-variables Models •Nouveaux théorèmes limites centraux basés sur la studentisation dans les modèles linéaires avecerreurs de mesure [MS-202]SH = Somerville House SSC = Social Science Centre UC = University College

Mercredi 31 mai • Wednesday, May 31, 10:30–12:00 5510:30–12:00 Session 10H SSC3014Statistical Genetics and GenomicsGénétique statistique et génomiqueContributed Paper Session • Séance de communications libresChair • Président: Angelo CANTY McMaster University10:30 M. Tariqul HASAN & Laurent BRIOLLAIS, Samuel Lunenfeld Research Institute, Mount Sinai Hospital.Group Sequential Approach for Penetrance Estimation of Genes Involved in Complex DiseasesBased on Weighted Log-rank Statistics • Estimation de la pénétrance des gènes impliqués dans desmaladies complexes : une approche séquentielle par groupes basée sur des statistiques de (log) rangpondérées [MS-203]10:45 Yun Hee CHOI & Laurent BRIOLLAIS, Samuel Lunenfeld Research Institute, Mount Sinai HospitalEstimating the Lifetime Risk Associated with Mutated Genes Involved in Complex Diseases •Estimation du risque associé aux gènes mutants impliqués dans des maladies complexes [MS-204]11:00 Longyang WU, Samuel Lunenefeld Research Int., LongYang WU, SLRI, Lei SUN, University ofToronto, Bull SHELLEY, SLRIGenetic Effect Estimation via Bootstrap in Linkage Analysis of Quantitative Trait Loci • Estimationd’effet génétique par bootstrap dans l’analyse de liaison du trait quantitatif du loci (emplacementdes gênes) [MS-205]11:15 Wenqing HE & Ian MCLEOD, University of Western OntarioA Method for Analysis of CGH Microarray Data • Une méthode pour l’analyse de données demicropuces CGH [MS-206]11:30 Lihua AN & S. Ejaz AHMED, University of WindsorImproved Estimation for Differential Gene Expression by Shrinking Variance Components • Estimationaméliorée de l’expression de gènes par le rétrécissement des composantes de variance[MS-207]11:45 Adam ZAGDANSKI & Rafal KUSTRA, University of TorontoImproving the Relevance of Microarray Data Clustering through Integration with Gene Ontology •Amélioration de la pertinence du regroupement des données de micropuces par l’intégration avecl’ontologie du gène [MS-208]12:00–16:30 Session 10I SSC - 2nd floor hallwayPosters for Case Study IIAffiches pour l’étude de cas IICase Study • Étude de cas12:00 Dan HE & Weiling WANG, McMaster University12:00 Matthew DAVIS, Lei HE & Chao QIU, University of Calgary12:00–13:30 Lunch • DînerSH = Somerville House SSC = Social Science Centre UC = University College

56 Mercredi 31 mai • Wednesday, May 31, 15:00–16:3012:30–13:15 SSC2036Appui des mathématiques et de la statistique par le CRSNGSupport of Mathematics and Statistics by NSERCOrganizer and Chair • Responsable et présidente: Isabelle BLAIN, NSERC/CRSNG13:30–14:30 Session 11A SSC2050Address of the winner of the Centre de recherches mathématiques/Statistical Society ofCanada PrizeAllocution du lauréat du Prix du Centre de recherches mathématiques/Société statistiquedu CanadaSpecial Session • Conférence spécialeOrganizer and Chair • Responsable et présidente: Charmaine DEAN Simon Fraser University13:00–14:30 Session 11B SSC2024Risk Theory IThéorie du risque IInvited Paper Session • Présentations sur invitationOrganizer and Chair • Responsable et président: Steve DREKIC University of Waterloo13:00 David STANFORD, University of Western Ontario, Vaidyanathan RAMASWAMI, ATT Research, DouglasWOOLFORD, University of Western OntarioErlangized Fluid Queues and their Relation to Finite-time Ruin Probabilities • Les files d’attentesde fluides erlangisées et leur relation aux probabilités de ruine en temps fini [MS-209]13:30 Andrei BADESCU, University of Waterloo, Vaidyanathan RAMASWAMI, AT&T Labs, Soohan AHN, Universityof SeoulRisk Models with Constant Dividend Barrier • Modèles de risque avec barrière de dividendeconstante [MS-210]14:00 David LANDRIAULT, University of WaterlooConstant Dividend Barrier in a Risk Model With Time-dependent Claim Sizes • Barrière de dividendeconstante dans un modèle de risque où le montant des réclamations dépend du temps[MS-211]14:30–15:00 Coffee Break • Pause-café15:00–16:30 Session 12A SSC2050Industrial Experimental DesignPlanification d’expériences industriellesInvited Paper Session • Présentations sur invitationBusiness and Industrial Statistics Section • Groupe de statistique industrielle et de gestionOrganizer and Chair • Responsable et président: John BREWSTER University of ManitobaSH = Somerville House SSC = Social Science Centre UC = University College

Mercredi 31 mai • Wednesday, May 31, 15:00–16:30 5715:00 Peter PARKER, National Aeronautics and Space AdministrationSecond-order Split-plot Design Construction and Evaluation • Plan d’expérience à parcelles subdiviséesdu 2 e ordre : construction et évaluation [MS-212]15:30 Rob MCLEOD, University of Winnipeg, John BREWSTER, University of ManitobaOptimal Foldover Plans for Two-level Fractional Factorial Split-plot Designs • Plans de repliementoptimaux pour plans factoriels fractionnels à deux niveaux à parcelles subdivisées [MS-213]16:00 Pritam RANJAN & Derek BINGHAM, Simon Fraser University, George MICHAILIDIS, University ofMichiganSequential Experiment Design for Contour Estimation from Complex Computer Codes. • Pland’expérience séquentiel pour l’estimation d’une courbe de niveau à partir d’un programme informatiquecomplexe [MS-214]15:00–16:30 Session 12B SSC2036Latent Variable and Multilevel Modelling Using Survey DataVariables latentes et modélisation multiniveaux pour des données d’enquêtesInvited Paper Session • Présentations sur invitationSurvey Methods Section • Groupe de méthodologie d’enquêteOrganizer and Chair • Responsable et président: Changbao WU University of Waterloo15:00 Sophia RABE-HESKETH, University of California, Berkeley, Anders SKRONDAL, London School ofEconomicsPseudo Maximum Likelihood Estimation of Multilevel and Latent Variable Models • Estimationpar pseudo-maximum de vraisemblance de modèles à niveaux multiples et à variables latentes[MS-215]15:30 Eric LACOURSE & Véronique DUPÉRÉ, Université de MontréalModeling Change in Longitudinal Studies With Individual Trajectories: Parametric and NonparametricMultilevel Models • Méthodes d’analyse du changement fondées sur la trajectoire de développementindividuelle : modèles multiniveaux paramétriques et non paramétriques [MS-216]16:00 Milorad KOVACEVIC & Rong HUANG, Statistics CanadaFitting Multi-level Models to Survey Data • Modélisation de données d’enquête complexes à l’aidede modèles à multi-niveaux [MS-217]15:00–16:30 Session 12C SSC2024Risk Theory IIThéorie du risque IIInvited Paper Session • Présentations sur invitationOrganizer and Chair • Responsable et président: David STANFORD University of Western Ontario15:00 Gordon WILLMOT, University of WaterlooOn the Discounted Penalty Function in the Renewal Risk Model with Arbitrary Interclaim Times •SH = Somerville House SSC = Social Science Centre UC = University College

58 Mercredi 31 mai • Wednesday, May 31, 15:00–16:30Sur la fonction de pénalité escomptée dans le modèle de risque de renouvellement avec des tempsd’inter-réclamation arbitraires [MS-218]15:30 José GARRIDO, Concordia University, Manuel MORALES, Université de MontréalThe Gerber-Shiu Function for Risk Models Based on Lévy Processes • La fonction de Gerber-Shiupour des modèles de risque basés sur des processus de Lévy [MS-219]16:00 Kristina SENDOVA, University of Western Ontario, X. Sheldon LIN, University of TorontoThe Compound Poisson Risk Model with Multiple Thresholds • Le modèle de risque composé dePoisson à seuils multiples [MS-220]15:00–16:30 Session 12D SH3345Geometry, Topology and StatisticsGéometrie, topologie et statistiqueInvited Paper Session • Présentations sur invitationOrganizer and Chair • Responsable et président: Peter KIM University of Guelph15:00 Victor PATRANGENARU & Samanmalee SUGATHADASA, Texas Tech University, USAReconstruction of 3D Scenes and Projective Shape Analysis • Reconstruction de scènes en troisdimensions et analyse projective des formes [MS-221]15:30 Theodore CHANG, University of VirginiaExploratory Data Analysis for Human Motion Data • Analyse exploratoire du mouvement humain[MS-222]16:00 Peter BUBENIK, Cleveland State University, Peter KIM, University of GuelphA Statistical Approach to Persistent Homology • Une approche statistique sur l’homologie persistante[MS-223]15:00–16:30 Session 12E SSC3018Applications of Statistics IIApplications de la statistique IIContributed Paper Session • Séance de communications libresChair • Président: Duncan MURDOCH University of Western Ontario15:00 Jeffrey PICKA, University of New BrunswickExploratory Analysis of Sphere Packings By Shape-based Statistics • Analyse exploratoire d’empilementsde sphères avec des statistiques basées sur les formes [MS-224]15:15 Karim OUALKACHA & Louis-Paul RIVEST, Université LavalA New Statistical Model for Random Unit Vectors • Un nouveau modèle statistique pour des vecteursunitaires aléatoires [MS-225]15:30 Pengfei LI, University of Waterloo, Yuejiao FU, York University, Jiahua CHEN, University of WaterlooModified Likelihood Ratio Test for Homogeneity in a Mixture of von Mises Distributions • Test duSH = Somerville House SSC = Social Science Centre UC = University College

Mercredi 31 mai • Wednesday, May 31, 15:00–16:30 59rapport de vraisemblance modifié pour l’homogénéité en présence d’un mélange de distributionsvon Mises [MS-226]15:45 Shahjahan KHAN, University of Southern Queensland, AustraliaOptimal Tolerance Regions for Future Regression Vector and Residual Sum of Squares of MultipleRegression Model with Multivariate Spherically Contoured Errors • Régions de tolérance optimalespour un futur vecteur de régression et sommes de carrés résiduels sous un modèle de régressionmultiple avec erreurs multivariées aux contours sphériques [MS-227]16:15 Anwar SAGR, University of Al-Jabal Al-GharbiTheories in Linear Regression Model • Théorie en régression linéaire [MS-228]15:00–16:30 Session 12F SSC3026Multivariate Time SeriesSéries chronologiques multivariéesContributed Paper Session • Séance de communications libresChair • Président: Ian MCLEOD University of Western Ontario15:00 Mohanad AL-KHASAWNEH & S. Ejaz AHMED, University of WindsorEmpirical Bayes Analysis for a Hierarchical Negative Binomial Generalized Linear Model • Analysebayésienne empirique sous un modèle binomial négatif hiérarchique linéaire généralisé [MS-229]15:30 Shaheena BASHIR & Edward CARTER, University of GuelphFixed Point Clustering in Robust Mixture Discriminant Analysis • Regroupement point fixe dansl’analyse discriminante de mélange robuste [MS-230]15:45 Christian GAGNÉ & Pierre DUCHESNE, Université de MontréalOn Robust Forecasting in Dynamic Vector Time Series Models • Sur les prévisions robustes dansles modèles de séries chronologiques vectoriels dynamiques [MS-231]16:00 Abdessamad SAIDI & Roch ROY, Université de MontréalRobust Optimal Tests for Non-causality in Multivariate Time Series • Tests optimaux et robustesde non-causalité pour des séries chronologiques multivariées [MS-232]16:15 Jennifer POULIN & Pierre DUCHESNE, Université de MontréalEmpirical Study of Portmanteau Test Statistics Designed for Multivariate Time Series • Étudeempirique de tests de type portemanteau pour séries chronologiques multivariées [MS-233]15:00–16:30 Session 12G SSC3006Observational Studies: Methods and ApplicationsMéthodes et applications pour les études observationnellesContributed Paper Session • Séance de communications libresChair • Président: Noel CADIGAN Department of Fisheries and OceansSH = Somerville House SSC = Social Science Centre UC = University College

60 Mercredi 31 mai • Wednesday, May 31, 15:00–16:3015:00 Russell STEELE, McGill University, Ian SHRIER, Jewish General HospitalApproximating Relative Risk Using Logistic Regression Revisted • Approximation du risque relatifen utilisant la régression logistique : un second aperçu [MS-234]15:15 Lawrence MCCANDLESS & Paul GUSTAFSON, University of British Columbia, Peter C AUSTIN, Universityof TorontoBayesian Propensity Score Analysis for Observational Data • Analyse bayésienne de score de propensionpour des données d’observation [MS-235]15:30 Hyang Mi KIM, Yutaka YASUI & Igor BURSTYN, University of AlbertaEstimation of Parameters in Logistic Regression Models with Multiplicative Measurement Error •Estimation des paramètres d’un modèle de régression logistique en présence d’erreur de mesuremultiplicative [MS-236]15:45 Maria LORENZI, BC Cancer AgencyModelling Relative Risk of Cancer Incidence in a Cohort Study • Modélisation du risque relatif del’incidence du cancer au moyen dune étude de cohortes [MS-237]16:00 Olaf BERKE, University of Guelph and University of Veterinary Medicine, Hannover, GermanyA Spatiotemporal Investigation of Echinococcus Multilocularis Infections Among Red Foxes inLower Saxony, 1991 - 2005 • Une investigation spatiotemporelle des cas d’infections de EchinococcusMultilocularis chez les renards rouges de la Basse-Saxe, de 1991 à 2005 [MS-238]16:15 Severien NKURUNZIZA & S. Ejaz AHMED, University of WindsorStatistical Inference in Predator-prey System Modeled under Intrinsic Period Property • L’inférencestatistique dans le système prédateur-proie modélisé sous la propriété intrinsèque de période [MS-239]15:00–16:30 Session 12H SSC3014Modelling and Analysis in Sample SurveysModélisation et analyse pour l’échantillonnageContributed Paper Session • Séance de communications libresChair • Président: Richard LOCKHART Simon Fraser University15:00 Jack LOTHIAN, Statistics CanadaHeavy-tails and the Central Limit Theorem in Business Surveys • Ailes lourdes et le théorèmelimite centrale dans les enquêtes auprès des entreprises [MS-240]15:15 Eddy REMPEL, McMaster University, Lehana THABANE, Department of Clinical Epidemilogy andBiostatistics, McMaster University, Centre for Evaluation of Medicines, St Joseph’s HealthcareA Survey of Evangelical Mennonite Mission Conference of Churches: A Look at Factors thatImpact Growth • Une étude de la conférence des églises de la mission évangélique mennonite etdes facteurs en influençant la croissance [MS-241]15:30 Floyd RUDMIN, University of Tromsø, NorwayEvaluating Likert Items Using Inter-Item θ • Estimation des items de Likert en utilisant l’inter-itemθ [MS-242]SH = Somerville House SSC = Social Science Centre UC = University College

61Abstracts • RésumésSession 0 Dimanche 28 mai • Sunday, May 28, 19:00–21:00 SH - Great HallContributed Poster SessionPrésentation d’affiches[MS-1]Use of Contrasts in the Analysis of the Affymetrix Hypoalpha DatasetL’emploi des contrastes dans l’analyse des données Affymetrix HypolphaPaul SUTCLIFFE & André DABROWSKI, University of Ottawa, Kathryn WILLIAMS, Bassam HAIDAR & Yves MARCEL,Ottawa Heart InstituteWe explore the use of contrasts and robust standardizationmethods in analyzing an AffymetrixNous explorons l’utilisation des contrastes et des méthodesrobustes pour analyser un groupe de données microarraymicroarray data set related to cholesterol regula- d’Affymetrix lié à la règlementation de cholestérol. Les dontion.The data comprises readings on approxi- nées comportent des observations sur approximativementmately 12,000 gene responses from each of thirty 12 000 gènes de trente sujets divisés dans quatre groupes.subjects partitioned in four groups. In an attempt Afin d’essayer d’identifier l’expression différentielle de cesto identify differentially expressed genes, we define gènes, nous définissons trois contrastes simples pour refléterthree simple contrasts to reflect biological ques- des questions biologiques, les normalisons en tronquant 10tions, standardize using 10 percent trimming, and pour cent, et traçons les 12 000 points dans 3D.plot the 12,000 points in 3D.[MS-2]A Robust Test for Asymptotic Independence in Multivariate Extreme ValuesUn test robuste pour l’indépendance asymptotique de valeurs extrêmes multivariéesYu-Ling TSAI, University of Western Ontario, Debbie DUPUIS, HEC Montréal, Duncan MURDOCH, University ofWestern OntarioWe start by examining three classical tests forasymptotic independence in multivariate extremes.Nous commençons par examiner trois tests classiques pourl’indépendance asymptotique pour des valeurs extrêmesWe point out their sensitivities to outliers and the multivariables. Nous précisons leurs sensibilités aux valeurslack of accuracy of their asymptotic approxima- aberrantes et le manque d’exactitude de leurs approximations.A robust bootstrapped test is proposed. tions asymptotiques. Un test robuste Bootstrap est proposé.The new test is made stable under contamina- Le nouveau test est rendu stable sous une contamination partion through a shrinking scheme. Bootstrapped une méthode de resserrement. Les valeurs-p de Bootstrapp-values are used to resample the test statistic from sont utilisées pour reprélever le test statistique de la distritheempirical distribution rather than from the es- bution empirique plutôt que de la distribution estimée detimated population distribution satisfying the null population satisfaisant les contraintes nulles. Des applicaconstraints.Applications to real and simulated data tions à des ensembles de données vrais et simulés montrentsets show the good performance of the new test. la bonne performance du nouveau test.

62 Dimanche 28 mai • Sunday, May 28, 19:00–21:00[MS-3]Valid p-values for Stepwise Regression and Other Post-hoc Model Selection MethodsValeurs-p valides pour la régression pas-à-pas et autres méthodes de sélection post-hoc d’un modèleRichard HARSHMAN & Margaret E. LUNDY, University of Western OntarioWhen a model modification is selected using posthocinformation (e.g., in stepwise regression) it isQuand une modification d’un modèle est adoptée en utilisantl’information post-hoc (par exemple, dans la régreshardto determine the statistical significance of the sion pas à pas) il est difficile de déterminer le niveau deresulting improvement. We describe a computer- signification statistique de l’amélioration résultante. Nousintensive method that empirically approximates the décrivons une méthode entièrement simulée par ordinateurimprovement’s null distribution using permutation- avec laquelle on estime empiriquement la distribution detest methods combined with “null-set pruning” l’amélioration sous l’hypothèse nulle en employant des mé-(elimination of cases inconsistent with prior step thodes de tests par permutation combinées avec une techresultsor other dataset characteristics). Monte nique d’« élagage » (élimination des cas contradictoires avecCarlo tests indicate that un-pruned randomization les résultats préliminaires ou d’autres caractéristiques desgives unbiased p-values for post-hoc step 1, but bi- données). Les tests de Monte Carlo indiquent que la ranasedones thereafter; pruned randomization gives domisation non élaguée semble mener à des valeurs-p nonapparently unbiased p-values for successive steps biaisées pour l’étape 1 post-hoc, mais biaisées par la suite ;as well (within the confidence bounds of our Monte la randomisation élaguée semble mener à des valeurs-p nonCarlo tests). Applications include complex se- biaisées pour toutes les étapes (à l’intérieur des limites dequential methods and stepwise canonical correla- confiance de nos tests Monte-Carlo). Les applications intion/MANOVA.cluent des méthodes séquentielles complexes et la corrélationcanonique pas à pas/MANOVA.[MS-4]Screening for Risk Status and Statistical Power in Randomized Intervention ResearchCriblage pour le statut de risque et puissance statistique dans la recherche d’intervention randomiséeDepeng JIANG & Debra PEPLER, York UniversityThis study examined how screening for risk statusaffects statistical power in randomized interventionresearch. On the basis of Monte Carlo simulations,this study demonstrates how statistical powerchanges depending on available information on riskstatus and the strength of the intervention. It alsoexamines how obtaining covariate information forthe outcome, screening for risk status, and the predictiveaccuracy of risk status affect power. Usingreal prevention data as an example, this study illustrateshow the estimation of intervention effectsfor diverse subgroups and the corresponding statisticalpower depend on the quality of classificationof participants to subgroups.Cette étude a examiné comment le criblage pour le statutde risque affecte la puissance statistique dans la recherched’intervention randomisée. Sur la base des simulations deMonte Carlo, cette étude démontre comment la puissancestatistique change selon l’information disponible sur le sta-tut de risque et la force d’intervention. Elle examine égale-ment comment obtenir l’information sur la covariable pourle résultat, le criblage pour le statut de risque, et commentl’exactitude prédictive du statut de risque affecte la puis-sance. En utilisant de vraies données de prévention commeexemple, cette étude illustre comment l’estimation des effetsd’intervention pour les divers sous-groupes et la puissancestatistique correspondante dépendent de la qualité de la clas-sification des participants aux sous-groupes.SH = Somerville House SSC = Social Science Centre UC = University College

Dimanche 28 mai • Sunday, May 28, 19:00–21:00 63[MS-5]A New R Package for Biostatistics, Public Policy and LawUne nouvelle logithèque R pour la biostatistique, les politiques d’intérêt public et le domaine judiciaireWai Lok Wallace HUI & Yulia R. GEL, University of Waterloo, Joseph GASTWIRTH, George Washington University,Weiwen MIAO, Macalester CollegeWe present a new R software package on statisticaltests widely utilized in biostatistics, public policyand law. Along with well-known but not implementedtests on serial correlation such as theBartels test, the package contains new distributionfreerobust tests of symmetry; omnibus and directionaltests of normality which are more sensitive toheavy tailed alternatives, and their graphical counterpartssuch as Robust QQ plot; measures of relativevariability (Gini Index, Coefficient of Dispersion,Lorenze curve); tests of homogeneity of severalsample proportions. All implemented tests andmethods are illustrated by simulations and real-lifeexamples from legal statistics, economics and biostatistics.Nous présentons un nouveau progiciel de R sur les testsstatistiques largement utilisés en biostatistiques, en poli-tiques d’intérêt public et dans le domaine judiciaire. Avecles tests bien connus mais non mis en application surl’autocorrélation tel que le test de Bartels, le progicielcontient de nouveaux tests robustes non paramétriques dela symétrie ; tests composites et directionnels de la nor-malité qui sont plus sensibles aux solutions de rechange àaile lourde, et leurs contreparties graphiques telle que unQQ plot robuste ; mesures de variabilité relative (indice deGini, coefficient de dispersion, courbe de Lorenze) ; testd’homogénéité de plusieurs proportions d’échantillon. Tousles tests et les méthodes mis en application sont illustréspar des simulations et des exemples réels provenant des do-maines des statistiques légales, des sciences économiques etde la biostatistique.[MS-6]Quality Assessment for Microarray Gene Expression DataÉvaluation de la qualité de données d’expression génétique mesurées par micro pucesJulia BRETTSCHNEIDER, Queen’s University, François COLLIN, Affymetrix Inc., Ben BOLSTAD, University of Californiaat Berkeley, Terence SPEED, University of California at Berkeley & Walter and Eliza Hall Institute, AustraliaMicroarrays have become an established instrumentfor measuring tool for measuring the bio-Les micropuces sont devenus un instrument bien établi dansla mesure simultané de l’activité biochimique de milliers dechemical activity of thousands of genes simultane- gènes. L’étude de la composante génétique dans l’étiologieously. Among the many applications are studies de maladies complexes comme le cancer et la schizophrénieof the genetic components in the etiology of com- fait partie de ses multiples applications. Malgré une amélioplexdiseases such as cancer or schizophrenia. De- ration technique, l’absence d’exactitude et de précision despitetechnical improvement, the lack of accuracy meure caractéristique des données provenant de micropuces.and precision remains a characteristic of microar- Il y a un besoin urgent de repères à fins de reproductibiraydata. Benchmarks for reproducibility are ur- lité. Nous introduisons des métriques de qualité et des ougentlyneeded. We introduce quality metrics and tils d’évaluation visuelle de la qualité pour les micropuces àvisual quality assessment tools for short oligonu- oligonucléotides courts. Ils sont testés sur des données excleotidemicroarrays. They are tested on experi- périmentales et comparés au rapport de qualité commercial.mental data and compared them with the commer- Notre évaluation est basée sur les sous-produits obtenus lorscial quality report. Our assessment is based on du pré-traitement statistique par RMA/fitPLM.byproducts obtained by statistical preprocessing byRMA/fitPLM.SH = Somerville House SSC = Social Science Centre UC = University College

64 Dimanche 28 mai • Sunday, May 28, 19:00–21:00[MS-7]Generalizing Factor Analysis and Canonical Correlation to Three-way Arrays Increases their Ability toDisentangle InformationLa généralisation de l’analyse factorielle et de corrélation canonique aux tableaux à trois niveaux augmenteleur capacité de démêler l’informationRichard HARSHMAN, University of Western OntarioData analysis is often improved when stronger L’analyse de données est souvent améliorée lorsque les modèlesmodels are applied to stronger data. We discussles plus fiables sont appliqués aux données les plusone way of strengthening both: generaliz- fiables. Nous discutons une façon de renforcer tous lesing outer-product models from two-way (matrix) deux : la généralisation des modèles outer-product d’uneto three-way (array) form, and then applying them forme bidimensionnelle (matrice) à une forme tridimensiontodatasets such as objects × variables × occasions, nelle (tableaux), et puis les appliquer aux jeux de donnéesor multiple covariance matrices. Often, the three- comme des objets × variables × occasions, ou des matricesway decomposition is ‘essentially unique’ without de covariance multiple. Souvent, la décomposition tridimenimposingorthogonality (or any other) constraints, sionnelle est « essentiellement unique » sans imposer leseliminating rotational indeterminacies. Conse- contraintes d’orthogonalité (ou toute autre), élimination desquently, with appropriate data, one can recover, indéterminations de rotation. En conséquence, avec des donand/orrelate across two arrays, approximations of nées appropriées, on peut récupérer, et/ou associer à traversthe source patterns that originally generated the deux tableaux, approximations des modèles de source quicovariation, enabling new scientific applications ont à l’origine produit la covariation, permettant de nou-(e.g., see Google: parafac). Three-way PCA/factor velles applications scientifiques (par exemple, voir Google :analysis by PARAFAC and canonical analysis by parafac). L’analyse à trois niveaux de PCA/factor par PA-PARACCON (still under development) are dis- RAFAC et l’analyse canonique par PARACCON (toujourscussed.en cours de développement) sont discutées.[MS-8]Some Ideas About Forestry Data VisualizationQuelques idées au sujet de la visualisation de données reliées à la foresterieLutong ZHOU & Willard BRAUN, University of Western OntarioLe « grid package » (P. Murrell, 2005) est un outil pourvisualiser les données reliées à la foresterie. La fenêtred’affichage, un dispositif de grille, rend possible la com-paraison visuelle des groupes de graphiques disposés dansl’espace. Plusieurs fenêtres d’affichage peuvent être em-ployées pour construire les « caveplots » multiples (Beckeret al, 1994) pour regarder la foudre et les données reliées àl’inflammation du feu à différents endroits. Ils peuvent éga-lement être employés pour modifier les nuages de pointsappariés pour explorer les rapports entre des variables deconditions d’alerte météorologiques et les indices de danger.L’édition des objets de grille (grobs) facilite les graphiquesd’animation dans R. Comme exemple, nous présentons legraphique (Plot) de Fengche pour la visualisation des donnéesreliées au vent.The grid package (P. Murrell, 2005) is a tool for visualizingforestry data. The viewport, a feature ofgrid, makes it possible to visually compare groupsof plots arranged spatially. Several viewports canbe used to construct multiple caveplots (Becker etal,1994) to view lightning and fire ignition data atdifferent locations. They can also be used to modifypairwise scatterplots for exploring relationshipsamong fire weather variables and danger ratings.The editing of grid objects (grobs) makes animatinggraphics in R easier. As an example, we introducethe Fengche plot for visualizing wind data.SH = Somerville House SSC = Social Science Centre UC = University College

Lundi 29 mai • Monday, May 29, 08:30–08:45 65[MS-9]ANOVA Extensions for Mixed DataExtension de l’ANOVA aux données mixtesYongtao ZHU & Alexander DE LEON, University of CalgaryWe derive exact likelihood ratio tests for so-calledmulti-sample location hypotheses in the context ofNous obtenons les tests exacts du rapport de vraisemblancepour les hypothèses de localisations dites à échantillons mulmixedcontinuous and discrete data modeled ac- tiples dans le contexte de données mixtes (continues et discordingto the general location model (GLOM). crètes) modélisées à l’aide du modèle général de localisationThe tests can be viewed as extensions of conven- (MGL). Les tests peuvent être vus comme une extension destional normal-theory ANOVA tests to the general tests d’ANOVA conventionnels au cadre général de donnéesmultivariate mixed data setting. They provide a mixtes multivariées. Ils fournissent une approche globale auglobal approach to the mixed-data location prob- problème de localisation de données mixtes qui unifie, en nelem which unifies, by testing only one hypothesis, testant qu’une hypothèse, les résultats d’une analyse plus traresultsfrom a more traditional analysis via sepa- ditionnelle via de multiples tests séparés. De plus, en modéliratemultiple tests. In addition, by modeling the sant les variables mixtes en utilisant le MGL, les tests propomixedvariables using the GLOM, the proposed sés peuvent explicitement prendre en considération les cortestsare able to explicitly account for correlations rélations entre variables continues et discrètes, ce qui résultebetween the continuous and discrete variables, re- en une analyse plus puissante. Le niveau et la puissance dessulting in a more powerful analysis. The size and tests exacts du rapport de vraisemblance sont étudiés et compowerof the exact likelihood ratio tests are stud- parés, par le biais de simulations, aux tests asymptotiquesied and compared, through extensive simulations, proposés antérieurement par Nakanishi (2003), Morales etagainst asymptotic tests proposed earlier by Nakan- al.(1998) et Bar-Hen & Daudin (1995). Les données de préishi(2003), Morales et al.(1998) and Bar-Hen & dictions académiques de Mardia et al. (1979) et les donnéesDaudin (1995). Mardia et al.’s (1979) academic de cas avancés de cancer du sein de Krzanowski (1975) sontprediction data and Krzanowski’s (1975) advanced utilisées afin d’illustrer l’application de cette méthodologie.breast cancer data are used to illustrate the applicationof the methodology.[MS-10]A Resampling Approach to Multilevel ModelsUne approche de rééchantillonage pour les modèles à plusieurs niveauxZilin WANG, Wilfrid Laurier University, Mary THOMPSON & Zhichang JIANG, University of WaterlooEn présence d’échantillonnage à probabilités inégales dansun modèle à plusieurs niveaux, bien que l’utilisation depoids d’enquête permettent l’obtention d’estimateurs de pa-ramètres cohérents avec le plan d’expérience, les estimateursde composantes de variances gonflés par les poids peuventêtre biaisés lorsque la taille de l’échantillon est fixée au pre-mier niveau. Dans cette présentation, nous proposons uneméthode de ré-échantillonnage servant d’alternative aux mé-thodes d’échelonnement pondéré, et nous en présentons lesdistributions empiriques des estimateurs de variance. Lespropriétés des estimateurs de paramètres des petits échan-tillons pour un modèle à plusieurs niveaux issus de cetteméthode de ré-échantillonnage sont étudiées par des simu-lations utilisant des populations artificielles tirées de la littérature.With the presence of unequal probability samplingin a multilevel model, although the use of surveyweights results in design consistent estimators ofthe parameters, the weight inflated estimators forvariance components can be biased when the samplesize at the first level is fixed. In this presentation,we propose a resampling method which servesas an alternative to weight scaling methods, andprovides empirical distributions for the underlyingestimators of the variances. The small sample propertiesof the estimators of parameters for a multilevelmodel from this resampling method are studiedthrough simulations using artificial populationsfrom the literature.SH = Somerville House SSC = Social Science Centre UC = University College

66 Lundi 29 mai • Monday, May 29, 10:30–12:00Session 01A Lundi 29 mai • Monday, May 29, 08:30–08:45 SSC2050Inaugural SessionSéance inauguraleSession 01B Lundi 29 mai • Monday, May 29, 08:45–10:00 SSC2050SSC Presidential Invited AddressAllocution de l’invité du président de la SSC[MS-11]MythMath: From Google to Wikis and BlogsMythMath : De Google à wikis et bloguesIvars PETERSON, Science NewsPonder the number of Eskimo words for snow,the tragic fate of lemmings, the mysterious pervasivenessof the golden ratio, and other myths ofthe modern media age. How do such myths becomeunquestioned truths in the realm of publicdiscourse? Sorting out the truths of these storiesand eradicating statistical bloopers can be a trickybusiness, and search engines, wikis, and blogs addto the confusion. Here’s an insider’s look at howold and new media handle science news (and data)and propagate misinformation.Considérez le nombre de mots esquimaux pour la neige, ledestin tragique des lemmings, la mystérieuse omniprésencedu nombre d’or (golden ratio), et d’autres mythes de l’âgemoderne des médias. Comment se fait-il que de tels mythesdeviennent des vérités indiscutables dans le domaine du dis-cours public ? La distinction des vérités de ces histoires etla suppression des gaffes statistiques peuvent être épineuses,et les moteurs de recherche, wikis, et blogues ajoutent à laconfusion. Voici le regard d’un initié à la façon dont lesmédias nouveaux et traditionnels manipulent les nouvellesscientifiques (et les données) et propage la désinformation.Session 02A Lundi 29 mai • Monday, May 29, 10:30–12:00 SH3345Current Issues in the Analysis of Longitudinal DataProblèmes courants en analyse de données longitudinales[MS-12]Estimation of Marginal Characteristics for Event History ProcessesÉvaluation des caractéristiques marginales pour des processus sur l’historique des événementsJerry LAWLESS & Richard COOK, University of WaterlooEvent history analysis deals with the occurrenceof events over time for individuals in some population.Sometimes we wish to develop a detailedprobabilistic model for an event process, but oftenwe may be content to examine marginal featuressuch as the probability of r events in a statedtime interval, or perhaps just the expected numberof such events. In this talk we describe some approachesfor estimating marginal features, and thencompare them in some common scenarios involvingrecurrent events.L’analyse historique des événements traite de l’occurrencedes événements dans le temps pour des individus dans unecertaine population. Parfois, nous souhaitons développer unmodèle probabiliste détaillé pour un tel processus des événe-ments, mais souvent nous pouvons être satisfaits d’examinerseulement les dispositifs marginaux tels que la probabilitéd’observer r événements dans un intervalle déterminé, oule nombre espéré d’événements dans cet intervalle. Danscet entretien nous décrivons quelques approches pour esti-mer les dispositifs marginaux, et puis les comparons dansquelques scénarios communs impliquant des événements récurrents.SH = Somerville House SSC = Social Science Centre UC = University College

Lundi 29 mai • Monday, May 29, 10:30–12:00 67[MS-13]Recent Developments in Joint Models for Longitudinal and Survival Data.Développements récents de modèles conjoints pour des données longitudinales et de survieJeremy TAYLOR & Wen YE, University of Michigan, Xihong LIN, Harvard UniversityDans cet entretien, je présenterai des avancés récentes desmodèles conjoints pour les données longitudinales de mar-queurs biologiques et des temps d’événement. Les modèlesconjoints présentent une manière générale de décrire detelles données. De ces modèles généraux une variété d’issuespossibles peut être adressée, y compris l’inférence au sujetdes paramètres dans le modèle de survie, ainsi que dans lemodèle longitudinal. Le modèle peut également fournir desinformations pour décider si le marqueur biologique longi-tudinal pourrait être utile comme proxy ou comme variableauxiliaire dans un essai clinique. Les modèles peuvent égale-ment fournir pour l’imputation des données manquantes oudes temps d’événement. La forme typique du modèle lon-gitudinal est comme un modèle paramétrique à effet aléa-toire, et la forme typique du modèle de survie est le modèleà risques proportionnels où le risque dépend de la « vraievaleur » de la variable longitudinale. L’estimation peut êtreeffectuée dans une procédure à deux phases ou sur la basede la vraisemblance (EMV ou bayésien). Les avancés ré-centes incluent les extensions de la formulation du mo-dèle et des méthodes alternatives d’estimation. Je discuterail’extension du modèle longitudinal paramétrique standard enutilisant un lissage semi paramétrique spline et étudierai sespropriétés dans une procédure d’estimation à deux phases.L’algorithme EM pour trouver les EMV peut être très lent,exigeant l’intégration numérique dans l’étape-E. Je discute-rai une approche alternative dans laquelle une approximationde Laplace est utilisée, menant à une vraisemblance pénali-sée qui élimine la nécessité d’estimer la fonction de risquede référence.In this talk I will present selected recent advancesof joint models for longitudinal biomarker data andevent times. Joint models present a general way todescribe such data. From these general models avariety of possible issues can be addressed, includinginference about the parameters in the survivalmodel, inference about the parameters in the longitudinalmodel. The model can also provide informationabout whether the longitudinal biomarkercould be useful as a surrogate endpoint or auxiliaryvariable in a clinical trial. The models can also providea basis for imputation of missing longitudinaldata or event times. The typical form of the longitudinalmodel is as a parametric random effectsmodel, and the typical form of the survival modelis a proportional hazards model where the hazarddepends on the “current true value” of the longitudinalvariable. Estimation can be performed eitherin a 2-stage procedure or in a likelihood basedway (either MLE or Bayesian). Recent advancesinclude extensions of the model formulation andalternative estimation methods. I will discuss extendingthe standard parametric longitudinal modelusing a semi-parametric smoothing spline and investigateits properties in a 2-stage estimation procedure.The EM algorithm for finding the MLE’scan be very slow, requiring numerical integrationin the E-step. I will discuss an alternative approachin which a Laplace approximation is used, leadingto a penalised likelihood that eliminates the need toestimate the baseline hazard function.[MS-14]On Measurement Error Models and Complex Data StructuresSur les modèles d’erreur de mesure et les structures de données complexesPaul GUSTAFSON, University of British ColumbiaOne common problem with exposure-outcome datais poor measurement of exposure. Misleading inferencescan arise from pretending that the poormeasurements are accurate, and in general there isa large literature on methods which adjust for measurementerror or misclassification in explanatoryvariables. I will discuss methods for such adjustment,with emphasis on their adaptation to complexUn problème courant avec les données de type expositioneffetest la piètre qualité des mesures d’exposition. Desconclusions erronées peuvent résulter du fait de considérerces mesures de mauvaise qualité comme précises. Il existeune vaste littérature sur les méthodes d’ajustement aux er-reurs de mesure et à la mauvaise classification des variablesexplicatives. Je discuterai des méthodes permettant un telajustement en mettant l’accent sur leur adaptation aux struc-SH = Somerville House SSC = Social Science Centre UC = University College

68 Lundi 29 mai • Monday, May 29, 10:30–12:00data structures, such as longitudinal data. Other tures de données complexes, telles que les données longiemphasesinclude the debate on how ‘parametric’ tudinales. La discussion portera, entre autres, sur les hypooneshould be when adjusting for measurement er- thèses requises pour l’identifiabilité et jusqu’à quel point onror, and concern about the strength of assumptions doit être « paramétrique » lorsqu’on ajuste pour la présenceneeded for the sake of identifiability.d’erreurs de mesure.[MS-15]Some Methods on Longitudinal Data AnalysisQuelques méthodes sur l’analyse de données longitudinalesGrace YI, University of WaterlooL’analyse de données longitudinales a engendré un nombreconsidérable de recherches. Diverses méthodes, telles quela vraisemblance, l’imputation, et les approches d’équationsd’estimations pondérées, ont été développées pour adresserles particularités distinctes des études longitudinales. Sou-vent, l’intérêt se situe les particularités de la corrélationparmi les mesures répétées et les données longitudinalesmanquantes. Cependant, l’erreur de mesure dans les cova-riables est une autre particularité typique. Il est fréquent quequelques covariables soient erronées à cause de leur naturepropre ou à cause du mécanisme de la mesure. Des exemplesincluent des mesures biologiques telles que le niveau de ten-sion artérielle et le niveau du cholestérol dans le sérum. Onsait que les procédures inférentielles usuelles sont biaisées siune telle erreur de mesure n’est pas prise en considération.Dans cet entretien, je réexamine brièvement des méthodesexistantes et concentre la discussion sur quelques méthodesmarginales qui facilitent différentes particularités des don-nées longitudinales.Longitudinal data analysis has attracted considerableresearch interest. Various methods, such aslikelihood, imputation, and weighted estimatingequations approaches, have been developed to addressdistinct features of longitudinal studies. Often,the interest lies in featuring correlation amongrepeated measurements and missingness of longitudinaldata. However, measurement error in covariatesis another typical feature. It is often thecase that some covariates are subject to error dueto their own nature or the mechanism of measurement.Common examples include biological measuressuch as blood pressure and serum cholesterollevel. It is known that standard inferential proceduresare biased if such measurement error is nottaken into account. In this talk, I will briefly reviewexisting inference methods, and then focus the discussionon some marginal methods that facilitatedifferent features of longitudinal data.Session 02B Lundi 29 mai • Monday, May 29, 10:30–12:00 SSC2050The Statistics of Magnetic Resonance ImagingStatistique pour l’imagerie par résonance magnétique[MS-16]Deformation Based Morphometry, Roy’s Maximum Root and Recent Advances in Random FieldsMorphométrie basée sur la déformation, la racine maximale de Roy, et des avancées récentes en champsaléatoiresJonathan TAYLOR, Stanford University, Keith WORSLEY, McGill University, Robert ADLER, TechnionThe starting point of our talk is a study of anatomicaldifferences between controls and patients whohave suffered non-missile trauma. We use a multivariatelinear model at each location in space, usingHotelling’s T 2 to detect differences between casesand controls. If we include further covariates in themodel, Roy’s maximum root is a natural general-Le point de départ de notre exposé est une étude des différencesanatomiques entre un groupe contrôle et des patientsayant souffert d’un traumatisme autre que par un projectile.Nous utilisons un modèle linéaire multivarié à chaque pointdans l’espace, en utilisant le T 2 de Hotelling pour détecter lesdifférences entre les patients et le groupe contrôle. Si nousajoutons des covariables supplémentaires au modèle, la ra-SH = Somerville House SSC = Social Science Centre UC = University College

Lundi 29 mai • Monday, May 29, 10:30–12:00 69ization of Hotelling’s T 2 . This leads to the Roy’s cine maximale de Roy est une généralisation naturelle du T 2maximum root random field, which includes many de Hotelling. Ceci nous mène au champ aléatoire de la raspecialtypes of random fields: Hotelling’s T 2 , T, cine maximale de Roy, qui inclut plusieurs types de champsand F, so, in effect the Roy’s maximum root ran- aléatoire : le T 2 , T et F de Hotelling. Le champ aléatoire dedom field “unifies” many different random fields. la racine maximale de Roy « unifie » donc plusieurs champsThis leads to the recent advances in random fields. aléatoires différents.We describe some recent advances both in the “the- Ceci nous mène aux récentes avancées en champs aléaory”and “application” of smooth random fields, toires. Nous décrivons quelques progrès dans la « théorie »particularly the behaviour of the maximum of a et l’« application » des champs aléatoires lisses, particulièresmoothrandom field and an integral-geometric ment le comportement du maximum d’un champ aléatoire“recipe” for using the EC approximation related to lisse et une « recette » intégrale-géométrique pour utilisera “probability of tubes formula” rather than Weyls l’approximation de la caractéristique d’Euler liée à une « forbetterknown “volume of tubes formula” which has mule de probabilité des tubes » plutôt que la « formule de vobeenapplied to similar problems.lume des tubes » de Weyls, plus connue, et qui fut appliquéeà des problèmes similaires.[MS-17]Our entry in the Functional Imaging Analysis ContestNotre participation dans le concours d’analyse d’imagerie par résonance magnétique fonctionnelleKeith WORSLEY, McGill University, Jonathan TAYLOR, Stanford UniversityLast June the Organisation for Human Brain Mappingorganised its first functional magnetic resonanceimaging (fMRI) analysis contest. Six teamssubmitted a statistical analysis of an fMRI experimenton 16 subjects, where each subject listenedto different sentences read by different speakers ina two-way factorial design. The object was to detectwhich brain regions were activated by the differentspeakers, different sentences, and an interactionbetween the two. We describe our contest entry,which used hierarchical mixed effects modelsfor both magnitudes and delays, spatial smoothingto increase effective degrees of freedom, discretelocal maxima, and random field theory.En juin dernier, l’Organisation pour la Cartographie Cérébralea organisé son premier concours pour l’analysed’imagerie par résonance magnétique fonctionelle (IRMf).Six équipes ont soumis une analyse statistique d’une ex-périence d’IRMf sur 16 sujets, où chaque sujet a écoutédifférentes phrases lues par différents orateurs dans une ex-périence factorielle à 2 facteurs. L’objet était de détecterquelles régions du cerveau ont été activées par les différentsorateurs, les différentes phrases, et une interaction entre lesdeux. Nous décrivons notre entrée de concours, qui a em-ployé les modèles à effets mixtes hiérarchiques pour ampli-tude et délai, le lissage spatial pour augmenter les degrésde liberté efficaces, les maxima locaux discrets, et la théoriealéatoire des champs.Session 02C Lundi 29 mai • Monday, May 29, 10:30–12:00 SSC2036Social StatisticsStatistique sociale[MS-18]The Direct and Indirect Effects of Causal Systems with Longitudinal DataCausalité directe et indirecte avec les données longitudinalesRajulton FERNANDO, University of Western OntarioLa collecte de données longitudinales a pour but d’identifierles processus de causalité. En pratique, cependant, on ac-corde peu d’attention à cet objectif. Ainsi cet article présenteIdentifying causal processes is one of the majoraims of collecting longitudinal data. In practice,however, little attention is being paid to this. ThisSH = Somerville House SSC = Social Science Centre UC = University College

70 Lundi 29 mai • Monday, May 29, 10:30–12:00paper therefore outlines two major considerations deux réflexions majeures pour les études longitudinales : a)in longitudinal studies: a) examining the structure l’examen de la structure des relations, non seulement entreof relationships not only between explanatory and les variables explicatives et dépendantes, mais aussi entre lescriterion variables but also among the explanatory variables explicatives elles-mêmes, et plus spécifiquementvariables themselves—specially among categorical entre les variables catégoriques, qui sont les plus fréquemvariableswhich are the most frequent type of vari- ment collectées dans les enquêtes longitudinales et b) la forablescollected by longitudinal surveys; and, b) for- mulation de méthodes pour identifier les effets directs et inmulatingways of identifying direct and indirect ef- directs dans un contexte multivarié. Cet article va donc illusfectsin a multivariate context. The paper will thus trer l’importance des modèles graphiques pour la rechercheillustrate the importance of (chain) graphical mod- longitudinale.els for longitudinal research.[MS-19]Tracking the Mental Health Consequences of Divorce: A Growth Curve Model ApproachObservation des conséquences du divorce sur la santé mentale : une approche utilisant un modèle aveccourbe de croissanceLisa STROHSCHEIN, University of AlbertaBien que le divorce ait été conceptualisé comme un processus,les chercheurs ont accompli peu de progrès dans ladistinction des effets de sélection des conséquences à courtet à long terme du divorce. En utilisant des méthodes decourbe de croissance pour analyser cinq vagues de don-nées de l,Enquête longitudinale nationale sur les enfants etles jeunes (ELNEJ), cette étude observe prospectivementdes enfants vivant avec deux parents biologiques lors del’entrevue initiale en 1994, et compare l’évolution de la santémentale des enfants des ménages qui vivront un divorce pen-dant cette période de temps avec l’évolution de la santé men-tale des enfants dont les ménages demeurent intacts. En plusd’identifier des modèles d’ajustement pour les enfants de pa-rents divorcés, j’évalue les facteurs qui prévoient si les niveauxde la dépression pour des enfants diminuent ou per-sistent durant les années suivant le divorce et je discute desimplications d’employer des modèles de courbe de crois-sance pour aborder ces questions.Although divorce has been conceptualized as aprocess, researchers have made little progress indistinguishing selection effects from the short andlong term consequences of divorce. Using growthcurve methods to analyze five waves of data fromthe 1994–2002 National Longitudinal Study ofChildren and Youth (NLSCY), this study prospectivelytracks children living with two biologicalparents at initial interview in 1994, and comparesthe mental health trajectories of children fromhouseholds that experience divorce during thistime period with the trajectories of children whosehouseholds remain intact. In addition to identifyingpatterns of adjustment for children of divorce,I evaluate factors that predict whether levels of depressionfor children abate or persist in the yearsfollowing divorce and discuss the implications ofusing growth curve models to address these issues.[MS-20]Identifying Risk and Protective Factors Using Longitudinal Population Based Survey Data: Improving ourKnowledge of Smoking Behaviour DevelopmentIdentification du risque et des facteurs protecteurs en utilisant des données longitudinales d’une population :amélioration de notre connaissance du développement du comportement des fumeursBradley CORBETT, Statistics CanadaThe study of human behaviour is a complex undertakingbut remains as one of the most fascinatingL’étude du comportement humain est une entreprise complexemais ce sujet reste une des questions les plus fasciquestionsin society today: What influences some- nantes dans la société aujourd’hui : Qu’est ce qui influenceone to purchase product A over product B? Why do quelqu’un à acheter le produit A plutôt que le produit B ?people engage in unhealthy behaviours in spite of Pourquoi les gens s’engagent-ils dans des comportementsSH = Somerville House SSC = Social Science Centre UC = University College

Lundi 29 mai • Monday, May 29, 10:30–12:00 71the inherent dangers? How does someone decide malsains malgré les dangers inhérents ? Comment est-ce queto participate in an activity that is contrary to their quelqu’un décide de participer à une activité qui est contraireown principals and ethics? These and other similar à ses propres principes d’éthique ? Celles-ci et d’autres quesquestionscan be found in nearly every academic tions semblables peuvent être trouvées dans presque chaquediscipline.discipline universitaire.Recent improvements in analytical methods and Les améliorations récentes des méthodes analytiques et de labehavioural theory have converged to provide a théorie comportementale ont convergé pour fournir une apreasonableapproach for developing models of hu- proche raisonnable pour les développements des modèles duman behaviour. This presentation will demon- comportement humain. Cette présentation démontrera comstratehow health behaviour theory and multi-level ment la théorie du comportement sanitaire et les modèlesgrowth models can be used to improve the practice de croissance à plusieurs niveaux peuvent être utilisés pourof smoking uptake prevention in Canadian adoles- améliorer la pratique de prévention de la reprise de tabacents.In particular, participants will learn how to gisme chez les adolescents canadiens. En particulier, lesseparate risk and protective factors from concomi- participants apprendront comment séparer le risque et lestant or parallel factors in the study of human be- facteurs protecteurs des facteurs concomitants ou parallèleshaviour.dans l’étude du comportement humain.Session 02D Lundi 29 mai • Monday, May 29, 10:30–12:00 SH3315Parallel Computing in StatisticsCalcul parallèle en statistique[MS-21]Parallelism in Interface, Design, and Nonstationary Surrogate Modeling of Supercomputer ExperimentsParallélisme dans l’interface, conception, et modélisation avec suppléant non stationnaire des expériencessur super-ordinateursRobert GRAMACY, University of Cambridge, Herbert K. H. LEE, University of California at Santa CruzThis talk explores nonstationary modeling methodologiesfor the surrogate modeling and the se-Cet entretien explore les méthodologies de modélisation nonstationnaire pour la modélisation suppléante et la concepquentialdesign of computer experiments. The ap- tion séquentielle des expériences informatiques. L’approcheproach combines design techniques from Statistics présentée combine les techniques de conception de plansand Machine Learning with treed partitioning and d’expérience utilisées en statistique et du compartimentageBayesian inference. Parallelism is encountered as par arbres et l’inférence bayésienne de l’apprentissage au-(1) a tool for efficient inference with MCMC meth- tomatique. Le parallélisme est utilisé comme (1) outil pourods, and (2) as a challenge inherent in interfacing l’inférence efficace avec les méthodes MCMC, et (2) commecomplex statistical models with optimal design for défi inhérent à l’établissement d’un lien entre les modèlesexperiments run on highly-parallel, asynchronous, statistiques complexes et la conception de plans optimauxsupercomputers. The benefit using “opportunistic” pour les expériences faites sur des super ordinateurs hauratherthan “optimal” sequential design strategies tement parallèles et asynchrones. L’avantage d’utiliser desis illustrated through synthetic and real data, in- stratégies de conception de plans séquentiels « opportucludinga motivating example involving the com- nistes » plutôt que « optimaux » est illustré à l’aide de donputationalfluid dynamics simulation of a NASA nées simulées et réelles, y compris un exemple comportantreentry vehicle.une simulation de la dynamique des fluides d’un véhicule derentrée de la NASA.SH = Somerville House SSC = Social Science Centre UC = University College

72 Lundi 29 mai • Monday, May 29, 10:30–12:00[MS-22]Parallel Simulations for Sea Ice ModellingSimulations parallèles pour la modélisation de la glace de merTheodoro KOULIS, McGill UniversityThe temporal variability of seasonal sea ice at thepoles is complex and closely linked to the Earth’sLa variabilité temporelle de la glace de mer saisonnière auxpôles est complexe et intimement liée au climat terrestre.climate. The amount of sea ice can have a sig- La quantité de glace de mer peut avoir un effet significanificanteffect on the energies transferred between tif sur les transferts d’énergie entre l’atmosphère et l’océan.the atmosphere and the ocean. Modelling the dy- La modélisation de la dynamique des processus de glace denamics of the Earth’s seasonal sea ice processes is mer saisonnière de la Terre est donc d’un grand intérêt pourtherefore of great interest to scientists. We use a les scientifiques. Nous utilisons un simple modèle à deuxsimple two-parameter model on a grid to analyze paramètres sur une grille pour analyser les concentrationssea ice concentrations derived from Earth-orbiting de glace de mer obtenues par satellites. Malgré l’apparentesatellites. Despite the apparent simplicity of the simplicité du modèle, le calcul des probabilités est difficile.model, calculations of the model probabilities are À l’aide de simulations parallèles, nous montrons commentcumbersome. With the aid of parallel simulations, obtenir des estimés des probabilités du modèle, ce qui nouswe show how one can obtain estimates of the model aide à estimer les paramètres du modèle.probabilities, which in turn help us estimate themodel parameters.[MS-23]A Bias Reduction Technique for Monte Carlo Pricing of Early Exercise OptionsUne technique de réduction de biais pour des estimateurs de prix de type Monte-Carlo pour les premièresoptions calculéesMark REESOR, Tyson WHITEHEAD & Matt DAVISON, University of Western OntarioWe present a method for reducing the bias in MonteCarlo estimators of the price of American-styleNous présentons une méthode pour réduire le biais dans lesestimateurs de Monte-Carlo du prix des réclamations contincontingentclaims. At each exercise opportunity gentes en style américain. À chaque occasion d’exercicein a time discretization, we assume an unbiased dans une discrétisation de temps, nous supposons qu’un esestimatorof the hold value of the claim is avail- timateur sans biais de la valeur retenue de la réclamation estable. The central limit theorem allows one to de- disponible. Le théorème limite central permet de dériver unerive an expression for the approximate bias. This expression approximative pour le biais. Cette expression estexpression is estimated from the simulation, allow- estimée à partir de la simulation, permettant d’évaluer les esingfor computation of bias-reduced estimators of timateurs à biais réduit de la valeur de réclamation. La métheclaim value. The method is applicable to both thode est applicable aux estimateurs à biais élevé et aux esbiased-highand biased-low estimators and is com- timateurs à faible biais et elle est beaucoup plus efficace auputationally much more efficient than a bootstrap niveau informatique qu’une approche de Bootstrap pour laapproach to reducing bias.réduction du biaisSH = Somerville House SSC = Social Science Centre UC = University College

Lundi 29 mai • Monday, May 29, 10:30–12:00 73Session 02E Lundi 29 mai • Monday, May 29, 10:30–12:00 SSC2024The Challenges of Being an Environmental StatisticianDéfis pour le statisticien environnemental[MS-24]Statistical Data Assimilation for Environmental PredictionAssimilation de données statistiques à des fins de prédictions environnementalesMichael DOWD Dalhousie UniversityDans cette présentation, je survole quelques difficultés dansle développement d’approches statistiques pour combinerdes observations et des modèles mathématiques détermi-nistes dans les sciences environnementales (un problèmenommé assimilation de données). Deux principaux élémentsdéfinissent ces problèmes d’estimation : (i) des types de don-nées complexes ayant parfois un lien indirect avec l’état(par exemple, des observations satellites), et (ii) des mo-dèles non linéaires à haute dimensionnalité, utilisés commebase pour des systèmes de prédiction (par exemple, les mo-dèles météorologiques). Je révise les méthodes de pointepour l’assimilation de données en sciences atmosphériqueset de l’océan. De nouvelles directions sont ensuite exploréesbasées sur des méthodes Monte-Carlo. Des exemples illus-tratifs sont tirés de la prévision météorologique numériqueet de l’océanographie biologique.In this presentation I overview some challengesin developing statistical approaches for combiningobservations with deterministic mathematical modelsin the environmental sciences (a problem knownas data assimilation). Two main elements definethese estimation problems: (i) complex data typesoften having an indirect relation to the state (e.g.satellite observations), and (ii) high dimensional,nonlinear models used as the basis for predictionsystems (e.g. weather models). I review the currentstate of the art for data assimilation in the oceanand atmospheric sciences. New directions are thenexplored based on ensemble (Monte Carlo) methods.Illustrative examples are drawn from numericalweather prediction and biological oceanography.[MS-25]Some Challenges in Measuring and Communicating National Environmental PerformanceQuelques défis associés à la mesure et à la communication de la performance environnementale nationaleTanja SREBOTNJAK, Yale UniversityLe Projet de mesure environnemental vise à promouvoirles prises de décisions concernant l’environnement à par-tir de bases analytiques plus fiables qui utilisent des indi-cateurs environnementaux et des statistiques. Le projet pro-duit l’indice de développement durable environnemental quiclasse des pays sur 21 indicateurs de durabilité et sur le nou-vel indice de performance environnementale qui évalue lesrésultats clés d’une politique environnementale en utilisantles cibles de cette politique, liées aux objectifs de dévelop-pement du Millénium. Cette présentation discute certainsdes défis que l’équipe a éprouvés dans son travail, spécifi-quement l’équilibre délicat que les statisticiens environne-mentaux doivent maintenir entre des analyses rigoureusesde données environnementales, les demandes des décideursconcernant l’utilisation d’approches analytiques directes etle besoin d’une politique clairement explicitée.The Environmental Performance MeasurementProject aims to shift environmental decision-makingonto firmer analytic foundations using environmentalindicators and statistics. The project producesthe Environmental Sustainability Index that trackscountries on 21 sustainability indicators and thenew Environmental Performance Index that assesseskey environmental policy outcomes usingpolicy targets linked to the Millennium DevelopmentGoals. This presentation addresses some ofthe challenges the project team experiences in itswork, specifically the tightrope walk environmentalstatisticians must master in terms of the rigorousanalysis of environmental data and decisionmakers’requests for straightforward analytical approachesand clear policy messages.SH = Somerville House SSC = Social Science Centre UC = University College

74 Lundi 29 mai • Monday, May 29, 10:30–12:00[MS-26]Decisions, Uncertainty, and the Law: Statistical Considerations of Environmental Risk Management.Les décisions, l’incertitude, et la loi : considérations statistiques en gestion de risque écologiquePeter GUTTORP, University of WashingtonLes lois portant sur la qualité de l’air visent à protéger lesindividus à l’exposition de substances nocives. Nous discu-tons de quelques aspects de l’« US Clean Air Act » et deson implantation. D’un point de vue statistique, nous pou-vons considérer ce problème comme un test d’hypothèse.Nous développons les propriétés statistiques d’un tel testd’hypothèse, et de son implantation par l’EPA américaine.Des étendues au-delà du réseau des stations de surveillancepeuvent être implantées et utilisées pour ce qu’un statisticienpourrait voir comme une meilleure approche à la détermina-tion des standards concernant la qualité de l’air.Air quality laws are aimed at protecting individualsfrom harmful exposures. We discuss some aspectsof the US Clean Air Act and its implementation.From a statistical point of view one may regard theissue as one of testing a statistical hypothesis. Wedevelop statistical properties of such a hypothesistest, and of the US EPA implementation of it. Extensionsbeyond the network of monitoring stationscan be implemented, and used for what a statisticianmight view as a better approach to setting airquality standards.Session 02F Lundi 29 mai • Monday, May 29, 10:30–12:00 SSC3026Case Study I: Record Linkage and Case Study II: Obstructive Sleep ApneaÉtude de cas I : Couplage d’enregistrements et Étude de cas II : L’apnée obstructive dusommeil[MS-27]Case Study I: Record Linkage: Maintaining a RegistryÉtude de cas I : Couplage d’enregistrements : maintenance d’un registrePeggy NG, York UniversityData linkage falls into two large categories: statisticalmatching and exact matching. In many researchand administrative situations the need arises to linktwo or more data sources together. The student assignmentis given in progressively complex steps.First the student will use record linkage techniquesto ‘update’ a population registry. Next the studentcan estimate linkage and error rates.Le couplage des données peut se diviser en deux grandescatégories : couplage statistique et couplage exact. Dans denombreuses situations de recherche et administratives, il estnécessaire de coupler deux ou plusieurs sources de données.L’étudiant devra compléter l’exercice par des étapes de plusen plus complexes. Dans un premier temps, il utilisera destechniques de couplage d’enregistrements pour « mettre àjour » un registre de population. Ensuite, il pourra évaluerles taux de couplage et d’erreur.[MS-28]Case Study II: Obstructive Sleep ApneaÉtude de cas II : L’apnée obstructive du sommeilAlison GIBBS, University of TorontoObstructive sleep apnea is characterized by the cessationof breathing in sleep lasting more than 10L’apnée obstructive du sommeil se caractérise par un arrêtde la respiration de plus de 10 secondes pendant le sommeil.seconds. If left untreated it has been shown to result En l’absence de traitement, le patient risque une mortalitéin an elevated mortality rate as well as decreased accrue et une qualité de vie moindre. Le système de soinsquality of life. Recently the healthcare system de santé a récemment ordonné qu’une nuit de tests suffiraithas mandated that having two nights of diagnos- au diagnostic plutôt que deux. Il est donc devenu nécessaireSH = Somerville House SSC = Social Science Centre UC = University College

Lundi 29 mai • Monday, May 29, 10:30–12:00 75pour les médecins de compléter les informations tirées deces tests par une variété de questionnaires afin de minimiserles erreurs de diagnostic d’apnée du sommeil. Les donnéesutilisées pour cette étude de cas proviennent d’une revue ré-trospective de dossiers de patients de la clinique de som-meil de l’hôpital Western de Toronto. Le but est d’examinerl’efficacité du Questionnaire de Berlin, en association avecd’autres questionnaires et études du sommeil, pour diagnos-tiquer l’apnée du sommeil.tic sleep studies should be discontinued in favourof a single night. It is thus necessary for physiciansto supplement the information from sleep studieswith a variety of questionnaires in order to minimizemissed diagnoses of sleep apnea. The datafor this case study were collected from a retrospectivereview of patient charts from the sleep clinic atToronto Western Hospital. The purpose is to examinethe effectiveness of the Berlin Questionnaire,in combination with other questionnaires and withsleep studies, in diagnosing sleep apnea.Session 02G Lundi 29 mai • Monday, May 29, 10:30–12:00 SSC3006Applications of Statistics IApplications de la statistique I[MS-29]Developing a Daily Agro-climate Interpolation Grid for Canada: Data Verification and Model ValidationDéveloppement d’une grille d’interpolation quotidienne pour l’agro-climat du Canada : vérification dedonnées et validation des modèlesNathaniel NEWLANDS, Agriculture and Agri-Food Canada, Harvey HILL, Climate Impacts and Adaptation,PFRA-Agriculture and Agri-Food Canada, Allan HOWARD, National Agroclimate Information Service, Agricultureand Agri-Food CanadaL’utilisation de données climatiques sur une base quotidiennea considérablement augmenté au fil des deux der-nières décennies. Ceci est dû à un développement rapidede l’informatique et aussi d’une demande pour évaluer lesrisques de climat extrême due au changement climatique.Ces types de changements ont le potentiel d’avoir un impactsur l’agriculture et la viabilité de l’environnement affectantle sol, l’air et l’eau. Nous décrivons ici la mise en place d’unebase de données agro-climatiques de haute résolution spatio-temporelle (c’est-à-dire, quotidiennement, 10 km) couvrantdifférent régions agricoles. Cette base de données sera utili-sée par ceux concernés par la gestion et la planification agri-cole et aussi par ceux qui développent les plans d’actions.The use of daily climate data in agriculture has increasedconsiderably over the past two decades asa result of the rapid development of informationtechnology and the need to assess risk of future extremeweather due to climate change. Such eventshave the potential to impact agricultural productionand environmental sustainability affecting soil, airand water resources. We describe the constructionof an agroclimatic database of high spatio-temporalresolution (i.e., daily, 10 km) with coverage acrossagricultural regions. This database is intended foruse by a wide range of end users concerned withagricultural management, planning, and policy.[MS-30]Statistical Inferences Problems in High Energy PhysicsProblèmes statistiques d’inférences en physique de forte énergieZi JIN & Zheng ZHENG, University of TorontoNous décrivons quelques problèmes spécifiques d’inférencestatistique en présence de paramètres de nuisance motivéspar des problèmes venant de la physique des particules.Notre approche repose sur l’inférence d’ordre supérieur ba-sée sur la vraisemblance en présence de paramètres de nui-We describe some specific problems of statisticalinference in the presence of nuisance parametersthat are motivated by problems arising in particularphysics. Our approach is based on higher orderlikelihood inference to tail areas in the pres-SH = Somerville House SSC = Social Science Centre UC = University College

76 Lundi 29 mai • Monday, May 29, 10:30–12:00sance et utilise les approximations du troisième ordre ré-cemment développées. L’orthogonalité des paramètres et lesajustements permettant de profiler la vraisemblance sontégalement abordés. Des exemples pratiques venant de laphysique des particules sont décrits. Des études par simu-lation démontrent que les approximations du troisième ordrebasées sur la vraisemblance fournissent des solutions inté-ressantes et font partie des méthodes les plus prometteusespour les exemples considérés.ence of nuisance parameters, using recently developedthird order approximations. Orthogonal parametersand adjustments to profile likelihood arealso discussed. Practical examples arising in particlephysics are outlined, and simulation studiesshow that the third order likelihood based approximationsprovide nice solutions and are one of themost promising methods for the examples.[MS-31]Point Process Modeling of Choice Reaction Time DataModélisation de données du temps de réaction à choix multiples par un processus ponctuelJennifer ASIMIT & W. John BRAUN, University of Western Ontario, William SIMPSON, Defence Research andDevelopment CanadaA parametric model based on point process operationsis developed to aid in the analysis of choiceUn modèle paramétrique basé sur des opérations d’un processusponctuel est développé pour faciliter l’analyse dereaction time (RT) data. In a choice RT experi- données du temps de réaction (TR) à choix multiples. Dansment black and white flashes are presented to an une expérience sur les TR à choix multiples, des cartes noiresobserver, who hits one of two buttons after per- et blanches sont présentées à un observateur qui doit peserception of a flash, depending on the type of flash sur le bouton approprié en fonction de la carte montrée. Desperceived. Expressions for the first and second or- expressions pour les fonctions d’intensité du premier et duder intensity functions are derived. The theoretical second ordre sont dérivées. Les courbes théoriques et lescurves and estimated intensity curves (obtained us- courbes d’intensité estimées (obtenues en utilisant des méingkernel methods) can then be compared. thodes de noyau) peuvent alors être comparées.[MS-32]Statistical Behaviour of a Spatial Renewal ProcessComportement statistique d’un processus de renouvellement spatialKatherine DAVIES, University of Western OntarioThe one-dimensional renewal process has been extensivelyresearched and investigated, and its im-Le processus de renouvellement unidimensionnel a été largementétudié, et son importance dans les applications est bienportance in applications is well-understood. Re- connue. Récemment, une approche multidimensionnelle ducently, a multi-dimensional analogue of the re- processus de renouvellement a été proposée par Ivanoff etnewal process has been proposed by Ivanoff and Merzbach (2005). On a suggéré que la version bidimension-Merzbach (2005). It has been suggested that the nelle de ce processus pourrait être employée pour modélisertwo-dimensional version of this process could be la propagation des feux de forêt. Le but de cet exposé est deused to model the spread of forest fires. The pur- discuter ce modèle d’un point de vue statistique. À l’aide depose of the current talk is to discuss this model simulations, nous étudions le comportement statistique sousfrom a statistical point of view. Using simulation, l’hypothèse d’un processus de renouvellement spatial. Nouswe study the behaviour of various tests of complete discutons aussi la pertinence d’utiliser ce genre de modèlespatial randomness under the hypothesis of the spa- pour des applications reliées à la foresterie.tial renewal model. We also consider the appropriatenessof this kind of model for forestry applications.SH = Somerville House SSC = Social Science Centre UC = University College

Lundi 29 mai • Monday, May 29, 10:30–12:00 77[MS-33]Modelling Lightning and Lightning Caused Forest FiresModélisation de la foudre et des feux de forêt qu’elle causeDouglas WOOLFORD, Reg KULPERGER & W. John BRAUN, University of Western OntarioWe wish to relate forest fire ignitions to lightningstroke occurrences through the analysis of Ontariolightning and fire data, supplied by the OntarioMinistry of Natural Resources. We propose amode-seeking clustering algorithm based on a convergentform of data sharpening methods. The algorithmis used to both reduce the lightning data tolocal spatial-temporal modes, and to estimate theshort-term spatial track of a lightning storm system.These estimated tracks, storm centers and correspondingclusters are used as the foundation forpreliminary models of lightning strike and fire ignitionpatterns in North-Western Ontario.Nous souhaitons mettre en relation l’allumage des feux deforêt et la foudre à travers l’analyse de données du minis-tère des ressources naturelles d’Ontario. Nous proposonsun algorithme de classification détecteur de modes basésur une forme convergente de méthodes d’affinage de don-nées. L’algorithme permet de réduire les données concernantla foudre à des modes spatio-temporaux locaux, ainsi qued’estimer, à court terme, le parcours de la tempête. Ces par-cours estimés, les centres des tempêtes et les grappes corres-pondantes servent de fondation aux modèles préliminairesde la distribution de la foudre et des feux de forêt au nord-ouest de l’Ontario.[MS-34]Zero-truncated and Zero-inflated Regression Models to Predict the ROR Crash DataModèles de régression zéro-tronqués et zéro-majorés pour la prédiction de données sur les accidents RORB. M. Golam KIBRIA, Florida International UniversityWe have considered several models to fit the countdata that we encounter in the field of Health Sci-Nous avons considéré plusieurs modèles fréquemment employéspour la modélisation de données discrètes telles queence, Transportation Engineering, and Social Sci- rencontrées dans les sciences de la santé, les technologiesences. Several regression models, for examples, des transports et les sciences sociales. Plusieurs modèles dePoisson (PO), Zero-Inflated Poisson (ZIP), Zero régression sont ici considérés : Poisson (PO), Poisson Zérotruncatedpoisson (ZTP), Negative Binomial (NB), Majoré (PZM), Poisson Zéro-Tronqué (PZT), Binomial Né-Zero-Inflated Negative Binomial (ZINB) and Zero gatif (BN), Binomial Négatif Zéro-Majoré (BNZM) et Bino-Truncated NB (ZTNB) regression models are fitted mial Négatif Zéro-Tronqué (BNZT). Ces modèles sont emtopredict the run-off-road (ROR) crash data which ployés pour la prévision des accidents de la route à l’aide dewere collected on arterial roads in south west re- données sur les sorties de route amassées sur des routes pringion(urban) of Florida State. STATA 9.0 software cipales de la région (urbaine) occidentale du sud de l’état dehas been used to analyze the data. From the em- la Floride. Le logiciel STATA 9.0 a été utilisé pour analyserpirical study we concluded that ZINB, ZTNB and les données. De l’étude empirique, nous avons conclu queZIP models performed better than PO, ZTP and les modèles BNZM, BNZT et PZM semblent plus efficacesNB models for the zero inflated and over dispersed que les modèles PO, PZT et BN dans le contexte de donnéescount data.zéro-majorées et hyperdispersées.SH = Somerville House SSC = Social Science Centre UC = University College

78 Lundi 29 mai • Monday, May 29, 10:30–12:00Session 02H Lundi 29 mai • Monday, May 29, 10:30–12:00 SSC3014Business and Industrial StatisticsStatistique industrielle et de gestion[MS-35]Sequential Monitoring of Process Capability IndicesSupervision séquentielle des indices de capacité d’un processusAbdulkadir HUSSEIN, University of WindsorBased on two process capability indices that arewell accepted in the industrial process control literature,I derive sequential test procedures for testingwhether or not an industrial process is capable. Iderive test statistics and their large-sample propertiesboth under the null hypothesis and the alternativeof interest. Through numerical examples, I analyzethe performance of the procedures in terms ofpower and average sample size. The procedures areshown to be economical in the sense that they requiremuch less sample than equally powerful nonsequentialtesting procedure.En me basant sur deux indices de capacité des processus bienacceptés dans la littérature de contrôle des processus indus-triels, j’obtiens des procédures de tests séquentiels testant siun processus industriel est capable ou non. J’obtiens les sta-tistiques de test ainsi que leurs propriétés en présence d’ungrand échantillon, sous l’hypothèse nulle et l’alternatived’intérêt. Sur la base d’exemples numériques, j’analyse laperformance des procédures en termes de puissance et detaille moyenne d’échantillon. Les procédures sont économesdans le sens où elle requièrent des échantillons beaucoupmoins grands, à puissance égale, que les tests non séquen-tiels.[MS-36]A Robust Estimation of Process Capability IndexUne estimation robuste de l’indice de capacité d’un processusRazi GHORI & S. Ejaz AHMED, University of WindsorProcess Capability Indices (PCI) are useful toolsfor measuring the potential capability of an indus-Les Indices de Capacité d’un Processus (ICP) sont des outilsutiles pour mesurer les capacités potentielles d’un protrialprocess and Cp is a commonly used index in cessus industriel et le Cp est généralement un indice utilisémanagerial decisions. The main assumption un- dans des décisions de gestion. L’hypothèse principale sousderlyingthis index is the normality of the process jacente à cet indice est la normalité du processus à l’étude.under investigation. However, this assumption is Cependant, cette hypothèse n’est pas réaliste pour plusieursnot realistic for many real applications. In this applications réelles. Dans cet entretien, nous suggérons untalk, we suggest a robust estimator of Cp, based estimateur robuste de Cp, basé sur la différence moyenneon Gini’s mean difference. The asymptotic distri- de Gini. La distribution asymptotique de l’indice suggérébution of the suggested index is derived. The rel- est obtenue. La performance relative de l’estimateur proposéative performance of the proposed estimator with avec l’estimateur de référence basé sur l’écart type échanthebenchmark estimator based on sample standard tillonal est évaluée théoriquement aussi bien que numérideviation,is assessed theoretically as well as nu- quement. En plus de l’intervalle asymptotique de confiance,merically. In addition to asymptotic confidence in- trois genres d’intervalles de confiance bootstrap sont préterval,three kind of bootstrap confidence intervals sentés. Les probabilités de couverture des intervalles deare presented. The probability coverages of confi- confiance basés sur des quantités inférentielles liées à ces esdenceintervals based on inferential quantities as- timateurs sont évaluées en utilisant la simulation de Montesociatedwith these estimators are evaluated using Carlo pour des échantillons petits, moyens et grands. La mé-Monte Carlo simulation for small, moderate and thodologie proposée est étendue à d’autres indices tels quelarge sample sizes. The proposed methodology is le Cpm.extended to other indices such as Cpm.SH = Somerville House SSC = Social Science Centre UC = University College

Lundi 29 mai • Monday, May 29, 10:30–12:00 79[MS-37]Special Mixture Discriminant Model for Drug Discovery DataModèle de mélange discriminant en recherche de médicamentsXu Sunny WANG, University of Waterloo, Hugh CHIPMAN, Acadia University, William J. WELCH, University ofBritish ColumbiaIn drug discovery, statistical models have played avery important role for predicting activity of com-En recherche de médicaments, les modèles statistiques ontjoué un rôle important dans la prédiction de l’activité depounds against biological targets. In this super- composés contre différentes cibles biologiques. Dans ce provisedlearning problem, descriptors of molecular blème d’apprentissage supervisé, des descripteurs de strucstructure(e.g. atomic weight, types of bonds, many ture moléculaire (par exemple : poids atomique, types deother exotic characteristics) are used to predict ac- liens, plusieurs autres caractéristiques exotiques) sont utilitivity.Compounds often cluster in the descriptor sés pour prédire l’activité. Les composés se regroupent souspace,making mixture discriminant analysis a nat- vent dans l’espace descripteur, faisant de l’analyse discrimiuralsupervised learning tool. Conventional mix- nante de mélange un outil naturel d’apprentissage supervisé.ture discriminant methods have difficulty finding Les méthodes de mélange discriminant conventionnelles ontthe best model for the drug discovery data. Com- de la difficulté à trouver le meilleur modèle pour des donnéesplex structure and high dimensionality lead to over de recherche de médicaments. Des structures complexes etparameterized models. It is believed that the bi- une haute dimensionnalité amènent des modèles surparaologicalactivity of compounds only depends on métrisés. Une supposition courante est que l’activité bioloseveraldescriptors, so we introduce a special mix- gique des composés ne dépend que de quelques descripteurs.ture model, which has fewer parameters, and seeks Nous introduisons donc un modèle de mélange spécial, ayantto predict using multiple subspaces (i.e., multi- moins de paramètres et cherchant à prédire en utilisant deple mechanisms). A constrained EM algorithm is multiples sous-espaces (c.-à-d. de multiples mécanismes).used to estimate parameters, in conjunction with Un algorithme EM avec contraintes est utilisé pour estimercarefully chosen initial values and some other tun- les paramètres. Les valeurs initiales et quelques autres paraingparameters. We present results using both a mètres d’ajustement sont choisis soigneusement. Nous préfirst-ordermodel that captures “main effect” and a sentons des résultats utilisant un modèle de premier ordre quisecond-order model capable of identifying interac- identifie « l’effet principal » et un modèle de second ordretive effects between pairs of descriptors.capable d’identifier des effets interactifs entre les paires dedescripteurs.[MS-38]Risk-reducing Stein-like Estimation in a Lifetime Censored Regression ModelEstimation de Stein réduisant le risque dans un modèle de régression pour le temps de survie censuréShakhwat HOSSAIN & S. Ejaz AHMED, University of WindsorNous considérons le problème de l’estimation d’un paramètre(vectoriel) de régression dans un modèle de régres-sion de Weibull avec censure où nous suspectons que lesparamètres peuvent être restreints à un sous-espace linéaire.Sous cette incertitude, nous présentons une base pour combi-ner de façon optimale les problèmes d’estimation. L’objectifest de fournir des estimateurs adaptatifs naturels libres dechoix subjectifs. Dans le contexte de deux modèles de ré-gression de Weibull en compétition (complet et restreint),nous démontrons un estimateur de type Stein qui, asympto-tiquement, performe mieux que l’estimateur du maximumde vraisemblance classique. Une étude par simulation deMonte-Carlo est aussi effectuée afin d’évaluer la perfor-The problem of estimation of a regression parameter(vector) in a Weibull regression model withcensoring is considered when it is suspected thatparameters may be restricted to a linear subspace.Under this uncertainty, we present a basis for optimallycombining estimation problems. The objectiveis to provide natural adaptive estimators thatare free of subjective choices. In the context of twocompeting Weibull regression models (full and reduced),we demonstrate a Stein-type estimator, thatoutperforms the classical maximum likelihood estimatorasymptotically. A Monte Carlo simulationstudy is also conducted to assess the performanceSH = Somerville House SSC = Social Science Centre UC = University College

80 Lundi 29 mai • Monday, May 29, 10:30–12:00of the suggested estimators for moderate and largesamples. An empirical example illustrates the usefulnessof this inferential procedure in practice.Bootstrapping procedures are used to develop confidencesets and serve as a basis for inference.mance de l’estimateur proposé en présence d’échantillonsgrands et moyens. Un exemple empirique illustre l’utilité decette procédure inférentielle en pratique. Des procédures debootstrap sont utilisées pour développer des intervalles deconfiance et servent de base à l’inférence.[MS-39]Compliance Testing for Random Effects Models with Joint Acceptance CriterionTests de conformité pour modèles à effets aléatoires avec critère d’acceptation conjointeCrystal LINKLETTER, Chunfang LIN, Wilson LU, Pritam RANJAN, Derek BINGHAM & Richard LOCKHART, Simon FraserUniversity, Tom LOUGHIN, Kansas State UniversityFor consumer protection, many countries regulatethe production of goods sold by weight or vol-Afin d’assurer la protection des consommateurs, plusieurspays réglementent la production de biens vendus au poidsume to ensure consistency between contents and ou au volume pour assurer la cohérence entre le contenulabelling. Government inspections are randomly et l’étiquetage. Des inspections gouvernementales sont meperformedto verify, generally speaking, that (i) on nées, aléatoirement, pour vérifier que (i) en moyenne, lesaverage, products being sold have net content suf- produits vendus ont un contenu net suffisamment près duficiently close to the labelled content and (ii) very contenu affiché et (ii) très peu ou aucun des produits venfewor no products being sold are significantly de- dus ne sont significativement défectueux. Cet exposé couvrefective. This talk will cover challenges in evaluat- les défis rencontrés dans l’évaluation de la probabilité de saingthe probability of jointly satisfying both crite- tisfaire conjointement ces deux critères, et les implicationsrion, and implications for tuning parameters when pour les paramètres d’ajustement lorsque nous supposonsthe production process is assumed to be a ran- que le processus de production est un modèle à effets aléadomeffects model, with potentially more than one toires, avec potentiellement plus d’une source de variabilité.source of variability.[MS-40]An Alternative Wald Type Test for Two Linear Restrictions with Applications to Non-linear ModelsUn test alternatif de type Wald pour deux restrictions linéaires avec applications aux modèles non linéairesKrishna SAHA, Central Connecticut State University, Maxwell KING, Monash UniversityCet article propose un test avec une nouvelle méthode appeléeun test « rel » ou un test « quel » entier ou test « miquel » pour résoudre le problème de biais local d’un petitéchantillon et les comportements non-monotones de la puis-sance du test Wald pour deux restrictions linéaires provo-quées par l’inexactitude de la matrice estimée de covariancede l’estimateur. Cette nouvelle méthode, qui n’a pas besoinde la matrice de covariance de l’estimateur, implique de trou-ver la région critique basée sur la construction du rel (ellipse)ou le quel (entier ou mi) utilisant le bootstrap afin d’obtenirle niveau désiré avec une bonne puissance. Les résultats desimulation indiquent que ce test, particulièrement le quel en-tier est plutôt efficace pour les deux problèmes et montre unemeilleure puissance monotone en contrôlant le niveau pourles petits échantillons.This paper proposes a new test procedure called arel or full or half quel test to resolve the problemof the small-sample local biasedness and the powernon-monotonic behaviors of the Wald test for twolinear restrictions caused by inaccuracy of the estimatedcovariance matrix of the estimator. This newtest procedure, which does not need the covariancematrix of the estimator, involves finding the criticalregion based on constructing the rel (ellipse)or quel (full or half) utilizing bootstrap in order toobtain the desired size with good power properties.Simulation results indicate that the new test procedure,especially the full quel test performs ratherwell in both respects showing the better monotonicpower performance by controlling the size in thesmall samples.SH = Somerville House SSC = Social Science Centre UC = University College

Lundi 29 mai • Monday, May 29, 10:30–12:00 81Session 02I Lundi 29 mai • Monday, May 29, 10:30–12:00 SSC3018Design and Analysis of Clinical TrialsPlanification et analyse d’essais cliniques[MS-41]New Allocation Rule for Repeated Measurement DesignsNouvelles règles de répartition pour plans à mesures répétéesYuanyuan LIANG & Keumhee Chough CARRIÈRE, University of AlbertaIn response-adaptive designs, we modify the trialon the basis of outcomes in order to achieve a specificgoal. Optimal designs for clinical trials areusually constructed under a single optimality criterion.We improve the current strategies of buildingresponse-adaptive designs in two directions: (1)construct optimal multiple-objective designs to increaseboth the estimation precision and the proportionof patients assigned to a better treatment,and (2) use a more general model. In simulationswe demonstrate that the designs constructed underthe new proposed allocation rule are more efficientthan fixed optimal designs in terms of the meansquared error.Dans des plans adaptatifs à la réponse, nous modifionsl’essai sur la base des résultats afin d’atteindre un but spéci-fique. Les plans optimaux pour des essais cliniques sont gé-néralement construits avec un seul critère d’optimalité. Nousaméliorons les stratégies présentes de construction de planadaptatifs à la réponse de deux façons : (1) en construisantdes plans à objectifs multiples optimaux afin d’augmenter àla fois la précision d’estimation et la proportion de patientsassignés à un meilleur traitement, et (2) en utilisant un mo-dèle plus général. Par des simulations, nous montrons queles plans construits sous ces nouvelles propositions de règlesd’allocation sont plus efficaces que les plans optimaux fixesen termes d’erreur quadratique moyenne.[MS-42]Testing Treatment Effects of Binary Response Adaptive DesignsTest sur les effets de traitement des plans adaptatifs de réponse binaireYanqing YI & Xikui WANG, University of ManitobaLa dépendance des données dans des plans adaptatifs de réponseinduit des difficultés dans l’inférence statistique tellesque les tests sur les effets d’un traitement. Cet article discutela convergence et la normalité asymptotique de l’estimateurmaximum des paramètres pour une large classe de plansadaptatifs de réponse. Bien que les échantillons soient dé-pendants dans les plans, on démontre que la statistique khi-carré est encore valable sous certaines conditions sur la règled’attribution.The dependency of data in response adaptive designsinduces the difficulties of statistical inferencesuch as testing treatment effects. This paper discussesthe consistency and asymptotic normality ofmaximum estimator of the parameters for a wideclass of response adaptive designs. Although thesamples are dependent in the designs, it is provedthat chi square statistic is still valid under certainconditions of an allocation rule.[MS-43]Improving Efficiency in Clinical Trials Using a Markov Chain Transition Rate Model with ConditionalPowerAugmentation de l’efficacité des essais cliniques par l’utilisation de chaînes de Markov avec puissanceconditionelleGregory POND & Lillian SIU, Princess Margaret Hospital/University of TorontoOptimising efficiency in oncology clinical trialsis critical as the high costs, financially and ethically,to run these trials limit the availability ofLes coûts éthiques et financiers élevés des essais cliniquesen oncologie limitant la disponibilité des patients, le be-soin d’une efficacité optimale lors de ces essais est cri-SH = Somerville House SSC = Social Science Centre UC = University College

82 Lundi 29 mai • Monday, May 29, 10:30–12:00patients. Incorrect trial decisions are even more tique. De mauvaises conclusions suite à ces essais sont parcostlyin terms of future patients and finances. A ticulièrement coûteuses, tant financièrement qu’en terme deMarkov chain transition rate model utilising con- futurs patients. Un modèle basé sur la construction d’uneditional power methods is proposed to increase the chaîne de Markov et utilisant des méthodes de puissanceinformation available and improve decision mak- conditionnelle est ici proposé afin d’augmenter la quantitéing. Repeated measurements on a single patient are d’information disponible et d’améliorer la prise de décision.incorporated through the Markov chain, and condi- La chaîne de Markov permet d’incorporer des mesures répétionalpower allows for a group-sequential design, tées provenant d’un même patient. Les méthodes de puisthus,early termination of trials with futile treat- sance conditionnelle permettent l’utilisation d’un plan séments.Illustrative examples will be presented of quentiel par groupes et donc, l’interruption rapide des essaistrials performed at Princess Margaret Hospital. liés à des traitements inutiles. Des exemples issus d’essaiscliniques effectués à l’hôpital Princess Margaret seront présentésà titre illustratif.[MS-44]A Robust Two-Group Step-Down Test for Multiple OutcomesUn test descendant robuste à deux groupes pour des résultats multiplesLisa LIX & Kathleen DEERING, University of ManitobaDans les essais cliniques, il est souvent d’intérêt d’examinerla différence entre le groupe de traitement et le groupe decontrôle sur des résultats multiples quand on s’attend à ceque le traitement ait un effet positif sur tous les résultats.Peu de tests d’hypothèses alternatives multivariées direc-tionnelles ont été proposés pour le cas où les covariancessont hétérogènes et la distribution a une queue lourde. Nousproposons un test composé de degrés de liberté approxima-tifs avec les estimateurs tronqués basés sur les analyses deméthodes « descendante » de Roy (1954). L’exactitude del’approximation est vérifiée par des simulations, et les com-paraisons sont faites avec un test de ratio de vraisemblanceapproximative et un test non paramétrique pour le problèmede Behrens-Fisher.In clinical trials, it is often of interest to test thedifference between treatment and control groupson multiple outcomes when the treatment is expectedto have a positive effect on all outcomes.Few tests of directional multivariate alternative hypotheseshave been proposed for the case when covariancesare heterogeneous and the distribution isheavy-tailed. We propose a composite approximatedegrees of freedom test with trimmed estimatorsbased on Roy’s (1954) step-down analysis. The accuracyof the approximation is verified by simulations,and comparisons are made with an approximatelikelihood ratio test and a non-parametric testfor the Behrens-Fisher problem.[MS-45]A Maximum Likelihood Estimator for the Analysis of Randomized Trials with Treatment Noncomplianceand Subsequent NonresponseUn estimateur du maximum de vraisemblance pour l’analyse d’essais cliniques aléatoires en présence denon-observance et de non-réponseYang ZHAO, University of ReginaLa non-observance de traitement et la non-réponse subséquentesont des problèmes courants dans l’analyse d’essaisrandomisés. Dans cette recherche, je considère des méthodesd’estimation de l’effet causal de l’assignation de traitementpour un essai clinique randomisé à deux groupes basées surle maximum de vraisemblance. Je décris un algorithme ité-ratif re-pondéré pour obtenir un estimateur de l’effet causal.Des expressions analytiques permettant de mettre à jour lesTreatment non-compliance and subsequent nonresponseare common problems in the analysis ofrandomized trials. In this research I consider maximumlikelihood methods for the estimation of thecausal effect of treatment assignment for a twoarmedrandomized trial. I will describe an iterativere-weighted algorithm to obtain a maximum likelihoodestimator of the causal effect. Closed formSH = Somerville House SSC = Social Science Centre UC = University College

Lundi 29 mai • Monday, May 29, 13:30–14:30 83expressions for updating the estimates at each iterationstep will be provided.estimations à chaque itération sont présentées.[MS-46]Semi-parametric Models and Efficiency in Mean Cost EstimationModèles semi-paramétriques et efficacité dans l’évaluation du coût moyenEleanor PULLENAYEGUM, University of Waterloo, Andrew WILLAN, University of TorontoCost-effectiveness analysis from censored clinicaltrial data requires an estimate of the betweentreatmentdifference in mean cost. While estimationcan be non-parametric, there are advantagesto semi-parametric regression. Firstly, incorporatingbaseline covariates may explain some of theresidual variance. Secondly, costs may be collectedat several time points. Multivariate regression allowssuch longitudinal data to be pooled acrosstime intervals. The drawback of regression is thatinverse-probability weighting, the usual estimationprocedure, is inefficient. Existing results on semiparametricefficiency are used to derive efficientestimators. The benefits of these new estimatorsand models are illustrated using two recent clinicaltrials.L’analyse de rentabilité des données d’essais cliniques censuréesexige une évaluation de la différence, en coût moyen,entre les traitements. L’évaluation peut être non paramé-trique mais il y a des avantages à utiliser la régression semi-paramétrique. Premièrement, les covariables de base peuventexpliquer une partie de la variance résiduelle. Deuxième-ment, des coûts peuvent être épargnés à plusieurs points dansle temps durant le procesus. La régression multivariée per-met à de telles données longitudinales d’être mises en com-mun à travers des intervalles de temps. L’inconvénient dela régression est que la pondération selon la probabilité in-verse, la procédure habituelle d’estimation, est inefficace.Des résultats existants sur l’efficacité des méthodes semi-parametrique sont employés pour dériver des estimateurs ef-ficaces. Les avantages de ces nouveaux estimateurs et mo-dèles sont illustrés en utilisant deux essais cliniques récents.Session 03A Lundi 29 mai • Monday, May 29, 13:30–14:30 SSC2050Canadian Journal of Statistics Award AddressAllocution du récipiendaire du Prix de la Revue canadienne de statistiqueSession 03B Lundi 29 mai • Monday, May 29, 13:30–15:00 SH3345Statistical Issues in Designing and Monitoring Clinical TrialsProblèmes statistiques dans la planification et la surveillance d’essais cliniques[MS-47]Challenges in the Design, Implementation, and Monitoring of HIV Treatment TrialsDéfis dans la conception, l’implantation, et la surveillance d’essais de traitement du VIHJames NEATON, University of MinnesotaAn HIV trial called SMART (Strategies for Managementof Antiretroviral Therapy) illustrates aUn essai clinique relié au VIH appelé SMART (Strategiesfor Management of Antiretroviral Therapy) illustre un cernumberof challenges faced in designing and car- tain nombre de défis relevés en planifiant et en effectuant unrying out an international HIV treatment trial. Fea- essai international de traitement du VIH. Quelques thèmestures of this trial that will be discussed: 1) Sam- de cet essai seront discutés : 1) Estimation de la taille deple size estimation in the absence of critical data; l’échantillon en absence de données critiques ; 2) Implanta-2) implementation of the trial in 33 countries; 3) tion de l’essai dans 33 pays ; 3) Lignes de conduite qui consimonitoringguidelines which consider not only the dèrent non seulement le résultat primaire, la progression auprimary outcome, progression to AIDS or death, SIDA ou la mort, mais également un résultat « de soutien »SH = Somerville House SSC = Social Science Centre UC = University College

84 Lundi 29 mai • Monday, May 29, 13:30–15:00différent – morbidité et mortalité dues aux maladies cardio-vasculaires, rénales ou du foie.but also another “supportive” outcome – morbidityand mortality due to cardiovascular, renal or liverdisease.[MS-48]Adaptivity in Group Sequential DesignsL’adaptabilité dans les plans séquentiels par groupesChristopher JENNISON, University of Bath, UKAlthough there has recently been heightened interestin adaptive and flexible trial designs, the ideasMalgré la hausse récente de l’intérêt porté à la planificationd’essais adaptatifs et flexibles, les idées de la planificationof adaptive design go back a long way. This talk adaptative sont plus anciennes. Cette présentation porte surfocuses on hypothesis testing, in particular: les tests d’hypothèses, plus précisément :– efficient sequential stopping rules, – les règles d’arrêt séquentielles efficaces,– adapting to unpredictable information, – l’adaptation à de l’information imprévisible,– adapting to nuisance parameters, – l’adaptation aux paramètres de nuisance,– adapting to external factors. – l’adaptation aux facteurs externes.We shall see how the first three topics can be dealt Nous allons voir comment les trois premiers sujets peuventwith in traditional approaches — which for group être traités avec les approches traditionnelles — ce qui sisequentialtests means methods introduced in the gnifie, pour les tests séquentiels par groupes, des méthodes1980s. We shall discuss the added value offered introduites dans les années 1980. Nous allons discuter de laby more recent proposals for adaptive designs and valeur ajoutée offerte par des propositions plus récentes pourpoint out areas where caution may be needed. des plans adaptatifs et signaler des zones ou plus de prudenceest de rigueur.Session 03C Lundi 29 mai • Monday, May 29, 13:30–15:00 SH3315Change-point DetectionDétection de point de changement[MS-49]The Probable Error of a Mean and That of a Change in a MeanL’erreur probable d’une moyenne et celle d’un changement de moyenneMiklós CSÖRGŐ & Barbara SZYSZKOWICZ, Carleton University, Qiying WANG, University of SydneyWeighted approximations in probability of selfnormalizedand Studentized partial sums processesDes approximations pondérées en probabilité de processusde sommes partielles auto-normalisées et studentisées sewillbe reviewed and applied to studying the prob- ront passées en revue et appliquées à l’étude du problèmelem of change in the mean of random variables in du changement de moyenne de variables aléatoires dans lethe domain of attraction of the normal law. The talk domaine d’attraction de la loi normale. Cet exposé est baséwill be based on our joint works as reviewed and sur nos travaux conjoints présentés et développés dans notrefurther developed in our exposition: “On weighted exposition : « On weighted approximations and strong liapproximationsand strong limit theorems for self- mit theorems for self-normalized partial sums processes »,no rmalized partial sums processes,” in: Asymp- dans : Asymptotic Methods in Stochastics – Festschrift fortotic Methods in Stochastics—Festschrift for Mik- Miklós Csörgő (Lajos Horváth and Barbara Szyszkowicz,lós Csörgő (Lajos Horváth and Barbara Szyszkow- edit.), Fields Institute Communications, volume 44, Amer.icz, eds.), Fields Institute Communications, Vol- Math. Soc., Providence, RI, 2004, p. 489-521.ume 44, Amer. Math. Soc., Providence, RI, 2004,pp. 489–521.SH = Somerville House SSC = Social Science Centre UC = University College

Lundi 29 mai • Monday, May 29, 13:30–15:00 85[MS-50]Change-point Detection in a General Regression ModelDétection de changement structurel dans un modèle de régression généralMurray BURKE, University of CalgaryL’élaboration de modèles est une tâche très importante enstatistique. Lorsque nous considérons des données bivariéesobservées à travers le temps, il est possible d’établir un lienentre les composantes X et Y grâce à un modèle de régres-sion paramétrique ou semi-paramétrique, linéaire ou non-linéaire. Cependant, si, à un moment donné, un changementsurvient dans la relation entre X et Y, alors un seul modèlede régression ajustera mal les données. Il est donc impor-tant de déterminer si un tel changement s’est produit avantd’émettre une conjecture sur la forme particulière du mo-dèle. Des tests permettant de détecter un point de change-ment sous des hypothèses relativement peu restrictives se-ront présentés.In statistics, model building is a very importanttask. When considering bivariate observationstaken over time, we may wish to establish a relationshipbetween the X and the Y components bysome regression model, either parametric or semiparametric,linear or nonlinear. However, if, aftersome point, there is a change in the relationshipbetween X and Y, then the single regression modelwill fit the data poorly. Thus, it is important to determinewhether a change has occurred before theparticular form of the model is postulated. Testsfor a change-point under fairly general assumptionswill be proposed.[MS-51]Monitoring Parameter Change in Time Series ModelsSurveillance du changement de paramètre dans une série chronologiqueEdit GOMBAY & Daniel SERBAN, University of AlbertaSequential tests, that are generalizations of Page’sCUSUM tests, are proposed to detect an abruptLes tests séquentiels, qui sont une généralisation des testsCUSUM de Page, sont proposés pour détecter un changechangein any parameter(s) of an autoregressive ment brusque parmi un ou plusieurs paramètres d’un modèletime series model. The tests accommodate nui- de séries chronologiques autorégressif. Ces tests prennentsance parameters. They are based on large sample en considération les paramètres de nuisance. Ils sont basésapproximations of the efficient score vector under sur des approximations de grande taille d’échantillons duthe null hypothesis of no change, and under the al- score sous l’hypothèse nulle de l’absence de changement,ternative. The empirical power of the tests is eval- et sous l’hypothèse alternative. La puissance empirique desuated in a simulation study. The new method per- tests est évaluée via simulations. La nouvelle méthode performsbetter than the existing ones found in the lit- forme mieux que les méthodes existantes retrouvées dans laerature, if the criterion is the type I error probabil- littérature si le critère est la probabilité d’une erreur de type I.ity, which can be unacceptably high for methods qui peut être élevée de façon inacceptable pour les méthodesthat minimize the expected value of reaction time. qui minimisent l’espérance du temps de réaction.SH = Somerville House SSC = Social Science Centre UC = University College

86 Lundi 29 mai • Monday, May 29, 13:30–15:00Session 03D Lundi 29 mai • Monday, May 29, 13:30–15:00 SSC2036Design and Analysis of Experiments for Complex Computer ModelsPlanification et analyse d’expériences pour des modèles d’ordinateur complexes[MS-52]Uncertainty in Kriging Predictions with and Without Random ErrorIncertitude dans la prévision par krigeage avec et sans erreur aléatoireBela NAGY, Jason LOEPPKY & William J. WELCH, University of British ColumbiaLa formule habituelle de variance pour la prévision par krigeageutilisée en géostatistique et pour les expériences parordinateur sous-estime la vraie variance parce qu’elle ignorela variabilité causée par l’estimation de la covariance. Nosrésultats montrent que cette différence peut être substan-tielle, surtout pour des petits échantillons, que le modèle in-clue ou non une erreur aléatoire. Des correctifs ont été pro-posés, mais ils requièrent généralement de lourds calculs nu-mériques. Différentes alternatives sont étudiées et évaluées àl’aide de simulations afin de déterminer leur performance etleur faisabilité numérique.The standard Kriging prediction variance formulaused in geostatistics and for computer experimentsunderestimates the true variance because it doesn’tincorporate the variability due to estimating the covarianceparameters. Our results show that the differencecan be quite substantial both with and withoutrandom error in the model, especially for smallsample sizes. Corrections have been proposed, butthey tend to be numerically cumbersome. Alternativesare explored and evaluated by simulations onperformance and computational feasibility.[MS-53]Quantifying Uncertainty in the Biospheric Carbon Flux for England and WalesQuantifier l’incertitude dans le flux du carbone biosphérique en Angleterre et au pays de GallesMarc KENNEDY, Clive ANDERSON, Anthony O’HAGAN, Mark LOMAS & Ian WOODWARD, University of Sheffield, UK,Andreas HEINEMEYER, University of York, UKA crucial issue in the global warming debate is theeffect of vegetation and soils on atmospheric CO 2Un problème crucial dans le débat du réchauffement climatiqueest l’effet de la végétation et des sols sur les concenconcentrations.SDGVM is a deterministic code trations atmosphériques de CO 2 . Le modèle SDGVM estsimulating the extraction of CO 2 through photo- un programme déterministe simulant l’extraction de CO 2synthesis, and other processes which return it to the par la photosynthèse et autres processus le renvoyant dansatmosphere. We estimate the total net CO 2 flux for l’atmosphère. Nous estimons le flux total net de CO 2 pourEngland and Wales in 2000, involving inference for l’Angleterre et le pays de Galles en 2000, ce qui impliquethe sum over multiple outputs (different sites and d’inférer la somme de différentes sorties (différents sites etvegetation types) with uncertain and correlated in- types de végétation) avec des entrées incertaines et corrélées.puts. A series of maps are produced, illustrating the Une série de cartes est produite, illustrant les variations spaspatialvariations in uncertainty for each code out- tiales des incertitudes pour chaque sortie. Des informationsput. Detailed information about the relative sources détaillées quant aux sources relatives de l’incertitude globaleof the overall uncertainty is also produced.sont aussi produites.[MS-54]Design of Experiments for Integrated Computer and Physical ExperimentsPlanification d’expériences intégrant l’expérimentation physique et informatiqueShane REESE, Brigham Young University, Derek BINGHAM, Simon Fraser UniversityPhysical experimentation is an expensive endeavor.Computer experiments, which are often a less expensivealternative, provide a reasonably accu-L’expérimentation physique est généralement très coûteuse.Les expériences informatiques, souvent moins dis-pendieuses, nous fournissent une représentation raisonna-SH = Somerville House SSC = Social Science Centre UC = University College

Lundi 29 mai • Monday, May 29, 15:30–16:30 87rate representation of physical experimental re- blement précise des résultats d’expériences physiques. Cesults. This work proposes an approach to design- travail propose une approche à la planification d’expérienceing experiments when the researcher has a limited où le chercheur dispose d’une quantité limitée de donnéesamount of data collected on each of the physical obtenues par expérimentations physique et informatique etand computer experiments and wishes to allocate souhaite tester à l’entrée si l’expérience devrait être inforfutureexperiments to be tested at inputs for the matique, physique, ou peut-être une combinaison du mophysicalexperiments or for the computer experi- dèle physique et informatique. Cette situation expérimenments,or perhaps some experiments to be run at tale hybride s’appuie sur un processus gaussien de formulacombinationsof both physical and computer mod- tions pour la modélisation des sorties expérimentales commeels. This hybrid experimental situation relies on fonction des entrées expérimentales. Nous démontrons cetteGaussian process formulations for the modeling of méthodologie avec des situations expérimentales simulées etthe experimental outputs as functions of the exper- réelles.imental inputs. We demonstrate the methodologywith both simulated and actual experimental situations.Session 04A Lundi 29 mai • Monday, May 29, 15:30–16:30 SSC2050Record Linkage and CounterterrorismCouplage d’enregistrements et la lutte au terrorisme[MS-55]Record Linkage, Nondisclosure, Counterterrorism, and StatisticsCouplace d’enregistrements, non-divulgation, contre-terrorisme et statistiquesMichael LARSEN, Iowa State UniversityGovernments collect information for many purposes,including preventing terrorism. Record link-Les gouvernements recueillent de l’information à plusieursfins, incluant la prévention du terrorisme. L’appariement desage is the process of merging databases containing fichiers permet la combinaison de bases de données contecommonunits and has many applications. Both nant des unités communes et a plusieurs applications. Desfalse and missed links between records have poten- faux liens ou des liens manquants entre les enregistrementstially severe consequences in the context of coun- peuvent avoir des conséquences graves dans le contexte duterterrorism. Use of record linkage methods for contre-terrorisme. L’utilisation de méthodes d’appariementcounterterrorism could affect other data collection des fichiers à des fins de contre-terrorisme pourrait affecterefforts in terms of increasing nonresponse and de- d’autres cueillettes d’information en termes d’augmentationcreasing data quality. Most government data col- de la non-réponse et de diminution de la qualité des donlectionefforts include guarantees of privacy, con- nées. La plupart des cueillettes de données gouvernemenfidentiality,and nondisclosure. The focus of this tales incluent des garanties concernant la vie privée, la confitalkis the relationship between advances in record dentialité et la non-divulgation des données. Cet exposé selinkage, disclosure risk, and counterterrorism ef- concentre sur la relation entre les progrès dans le domaineforts involving large databases.de l’appariement de fichiers, les risques de divulgation etles activités de contre-terrorisme impliquant l’utilisation degrandes bases de données.SH = Somerville House SSC = Social Science Centre UC = University College

88 Lundi 29 mai • Monday, May 29, 15:30–17:00Session 04B Lundi 29 mai • Monday, May 29, 15:30–17:00 SSC2036Statistical Applications in ForestryApplications statistiques en foresterie[MS-56]Forest Fire Management—Practical Problems of Uncertainty in Decision SupportGestion des feux de forêts : problèmes pratiques d’incertitude dans le support décisionnelAl TITHECOTT & Rob MCALPINE, Ontario Ministry of Natural ResourcesLa gestion des feux de forêt est faite grâce à une série dedécisions imbriquées, prises dans un environnement natu-rel dynamique. Le support décisionnel analytique requiertune compréhension du contexte, de l’échelle et des sourcesde l’incertitude des systèmes naturels et humains. Le programmede gestion des feux de forêts de l’Ontario a unelongue histoire d’analyse décisionnelle collaborative et dedéveloppement de systèmes d’information. Cette présenta-tion décrit le contexte hiérarchique de la prise de décision engestion des feux et quelques problèmes pratiques rencontréspar les gestionnaires pouvant bénéficier d’une analyse sta-tistique. Des exemples d’analyses décisionnelles effectuées,entre autres par les auteurs, sont utilisées afin de soulignerles réussites et opportunités de développement.Forest fire management is achieved through a seriesof nested decisions completed in a dynamic naturalenvironment. Analytical decision support requiresan understanding of the context, scale, and sourcesof uncertainty of both natural and human systems.Ontario’s forest fire management program has along history of collaborative decision analysis andinformation systems development. This presentationwill describe the hierarchical context of firemanagement decision-making and some practicalproblems faced by managers that may benefit fromstatistical analysis. Examples of decision analysiscompleted by the authors and others in Ontario willbe used to highlight successes and opportunities forimprovement.[MS-57]Statistics in Forest EcologyLa statistique en écologie forestièreEdward JOHNSON, University of CalgaryTraditionnellement, l’écologie forestière s’est servie de statistiquespour décrire les données observées, évaluer la ro-bustesse des preuves scientifiques, ainsi que pour la planifi-cation d’échantillons et d’études expérimentales. En outre,l’écologie forestière s’est servie de statistiques pour modé-liser la distribution d’espèces forestières et les dynamiquesforestières. Des techniques d’analyses multivariées ont étéutilisées pour décrire et comprendre la répartition spatialedes plantes et les corrélations environnementales avec cetterépartition. Les modèles à plusieurs variables, surtout uti-lisés de façon descriptive, ne se sont pas montrés utiles àla compréhension des processus sous-jacents à cette réparti-tion. Cependant, l’utilisation au cours des dernières annéesd’une approche de modélisation climatique, hydrologique etécologique semble très prometteuse quant à une compréhen-sion plus mécanique de l’organisation et de la distributiondes communautés. Cette étude de la dynamique forestièrese démarque aussi des approches précédentes, plus descrip-Traditionally, forest ecology has used statistics todescribe data, evaluate the strength of evidence,and design sampling and plot (experimental) studies.Outside of these areas, forest ecology has usedstatistics to model the distribution of forest speciesand the dynamics of the forest. Multivariate techniqueshave been used to describe and understandthe spatial distribution of plants and the environmentalcorrelation to these patterns. Multivariatemodels, being used mostly in a descriptive manner,have not proved to be useful in understandingthe underlying processes that give rise to the patterns.However, in the last few years the use of amore climatic-hydrological-ecological distributedmodeling approach seems to offer more promisein a more mechanistic understanding of communityorganization and distribution. The study of forestdynamics has also seen a change from the ear-SH = Somerville House SSC = Social Science Centre UC = University College

Lundi 29 mai • Monday, May 29, 15:30–17:00 89tives, pour se tourner vers l’approche des processus de popu-lation. Celle-ci inclut à la fois les dynamiques de populationslocales et régionales, ou métapopulations.lier, largely descriptive approach of stand dynamicsto recent population process approaches which includeboth local population dynamics and regionalpopulation dynamics (metapopulations).[MS-58]Mixture Models for Spatio-temporal Multi-state ProcessesModèles de mélange pour des processus spatio-temporels multi-étatFarouk NATHOO & Charmaine DEAN, Simon Fraser UniversityMulti-state models can be useful in longitudinalstudies where at any point in time, an individualLes modèles à plusieurs états peuvent être utiles pour desétudes longitudinales où à un moment quelconque dans lemay be said to occupy one of a discrete set of states temps, on peut dire qu’un individu occupe un état parmiand interest centers on the process governing state- l’ensemble discret des états et où l’intérêt est centré surto-state transitions. For example, states may refer le processus régissant les transitions entre les états. Parto the number of recurrences of an event, or the exemple, les états peuvent se rapporter au nombre de réstagesof a disease. Methodology for the analy- pétitions d’un événement, ou aux étapes d’une maladie. Lasis of multi-state models is well developed for the méthodologie pour l’analyse des modèles à plusieurs étatshealth context, where typically, individuals may be est bien développée dans le contexte de la santé, où typiconsideredto be independent. In forestry, statis- quement, les individus peuvent être considérés comme indéticalmethodology for the analysis of this type of pendants. Dans le domaine forestier, la méthodologie statislongitudinaldata needs to recognize the added fea- tique pour l’analyse de ce type de données longitudinalesture of incorporating spatial correlation. For exam- doit identifier le dispositif supplémentaire d’incorporationple, how the rates of transitions over states differ de la corrélation spatiale. Par exemple, comment les taux despatially over a region may be of interest. Here, transitions entre les états diffèrent spatialement d’une régionjoint modeling of both spatial correlation as well peut être d’intérêt. Des effets aléatoires spatiaux sont consiascorrelation between different transition rates is dérés dans un cas spécial : le modèle mover-stayer à deuxrequired and a multivariate spatial approach is em- états. Notre exemple est une étude de l’infestation récurrenteployed. Spatial random effects are considered in de charançon dans des forêts de la Colombie-Britannique.a special case: the two-state mover-stayer model. Cette étude de sept ans a été entreprise par le Ministère deMethodological developments will be presented in la foresterie de la Colombie-Britannique. L’intérêt primairethe context of a study examining recurrent weevil était de décrire la forme de l’infestation de charançon dansinfestation in British Columbia forests.tout le secteur au cours de la période de l’observation.Session 04C Lundi 29 mai • Monday, May 29, 15:30–17:00 SH3345Statistics in Public HealthStatistique en santé publique[MS-59]Weighted Likelihood for Semiparametric Models and Two Phase Stratified Samples, with Application to CoxRegressionVraisemblance pondérée pour modèles semiparamétriques et échantillons stratifiés à deux niveaux, avecapplication à la régression de CoxNorman BRESLOW & Jon WELLNER, University of WashingtonWe consider inverse probability weighted (IPW)likelihood equations for both Euclidean and nonparametricparameters in semiparametric modelsNous considérons les équations de vraisemblance pondéréespar probabilités inverse (PPI) pour des paramètres euclidienset non-paramétriques dans des modèles semi-paramétriquesSH = Somerville House SSC = Social Science Centre UC = University College

90 Lundi 29 mai • Monday, May 29, 15:30–17:00ajustés à des échantillons stratifiés à deux niveaux. En prou-vant la convergence faible du processus PPI empirique, eten empruntant des résultats sur les processus de bootstrappondérés, nous dérivons des résultats asymptotiques pourl’échantillonnage fini de populations stratifiées. Plusieurs denos résutats-clés ont déjà été dérivés pour le cas particulierde la régression de Cox sous une étude de cas-cohorte strati-fiée, et, plus généralement, d’autres plans de sondages com-plexes et problèmes de données manquantes. Cet article apour but d’interpréter ce travail antérieur et d’ouvrir la voieà d’autres applications.fitted to two phase stratified samples. By provingweak convergence of the IPW empirical process,and borrowing results on weighted bootstrap processes,we derive asymptotics for finite populationstratified sampling. Several of our key results havealready been derived for the special case of Coxregression with stratified case-cohort studies, othercomplex survey designs and missing data problemsmore generally. This paper serves to interpret thisprior work and to pave the way for other applications.[MS-60]Analysis of Observational Studies in the Presence of Treatment Selection Bias: Effects of Invasive CardiacManagement on AMI SurvivalAnalyse des études d’observation en présence d’un biais de sélection d’un traitement : effets de gestioncardiaque invasive sur la survie IMAThérèse STUKEL, Institute for Clinical Evaluative SciencesComparisons of treated and untreated patients inobservational studies may be biased due to differ-Les comparaisons des patients ayant ou non subi un traitementdans les études par observation peuvent être biaiséesences in patient prognosis. We collected chart and étant donné les différences dans le pronostique émis pour lehealth administrative data on 158,831 heart attack patient. Nous avons recueilli les diagrammes et les donnéespatients. The relative mortality rate among those administratives de santé sur 158 831 patients ayant souffertwho received invasive versus conservative ther- d’une crise cardiaque. Le taux relatif de mortalité parmi ceuxapy was estimated using propensity-based match- qui ont reçu une thérapie invasive versus une thérapie modéingand instrumental variable (IV) analyses. Inva- rée a été estimé en utilisant l’appariement basé sur la prosivemanagement was associated with a 50% de- pension et les analyses de la variable instrumentale (VI).crease in mortality using propensity-based risk ad- L’administration invasive a été associée à une réduction dejustment. This is unrealistic based on randomized 50% dans la mortalité en utilisant l’ajustement de risque basétrials, possibly due to residual bias from unmea- sur la propension. C’est peu réaliste basé sur des épreuvessured prognostic variables. IV analyses showed a randomisées, probablement dû au biais résiduel des variables3% survival benefit, which is valid but has a differ- pronostiques non mesurées. Les analyses VI ont montré 3%ent interpretation and answers policy questions. de survie additionnelle, ce qui est valide mais a une interprétationdifférente et répond à des questions politiques.[MS-61]The Consequences of Misspecified Random Effects Distributions on Predictions of Random EffectsLes conséquences d’une mauvaise spécification de la distribution des effets aléatoires lors de la prédictiond’effets aléatoiresJohn NEUHAUS & Charles MCCULLOCH, University of California at San FranciscoPredictions of quality of care in hospitals or physicianperformance often use predicted random effectsfrom generalized linear mixed models. Standardapplications of this approach require specificationof a distribution for the random effects,which will be misspecified to some degree. We examinethe effects of this misspecification on pre-Les effets aléatoires dérivés à partir de modèles linéaires généralisésmixtes sont souvent utilisés dans les prédictions dela qualité des soins en hôpitaux ou de la performance desmédecins. Certaines applications standard de cette approchenécessitent que la distribution des effets aléatoires soit spéci-fiée, avec toutefois un certain niveau d’erreur de la spécifica-tion. Nous examinons les effets de cette erreur de spécifica-SH = Somerville House SSC = Social Science Centre UC = University College

Lundi 29 mai • Monday, May 29, 15:30–17:00 91tion sur la prédiction des effets aléatoires. Nous utilisons desrésultats analytiques, des études de simulation, et des ajuste-ments à des données pour montrer que l’erreur de spécifica-tion de la distribution des effets aléatoires peut produire deserreurs au niveau des ordonnées à l’origine et pentes aléa-toires prédites. Ces résultats sont en contraste avec d’autressituations où une erreur de spécification de la distribution deseffets aléatoires typiquement produit peu de biais.diction of the random effects. Using analytic results,simulation studies and fits to example data,we show that misspecifying the random effects distributioncan lead to inaccurate predicted randomslopes and intercepts. These results contrast withthose in other settings where random effects distributionmisspecification typically produces littlebias.Session 04D Lundi 29 mai • Monday, May 29, 15:30–17:00 SH3315Statistical Applications in MarketingApplications statistiques en marketing[MS-62]Customer Value Segmentation—Informing Better Marketing DecisionsSegmentation de la valeur client – informer à propos de meilleures décisions de marketingAlison BURNHAM, Digital CementMany of today’s companies have built impressivedata warehouses that contain a goldmine of cus-De nos jours, la plupart des entreprises ont construitsd’importantes banques de données contenant une mine d’ortomer information. Information on transactions, d’informations sur les clients. De l’information sur leursresponse to marketing campaigns, opinion survey transactions, leur réponse aux campagnes de promotion,results, interactions with the company (call centre, les résultats d’enquêtes d’opinion, leurs interactions avecsales representatives), where they live, which stores l’entreprise (centre d’appel, représentants de commerce), oùthey frequent and any program memberships (loy- habitent-ils, quels magasins fréquentent-ils et à quels proaltyprograms, newsletter communications) they grammes ont-ils adhéré (programme de fidélité, bulletinshave signed up for. The next step for many is to d’informations). Pour plusieurs, la prochaine étape est dedig into this data to better inform their marketing fouiller ces données afin de prendre des décisions de mardecisions.The idea of finding segments within the keting plus éclairées. L’idée de trouver des segments dansdatabase that can be profiled and understood is well la base de donnée pouvant être profilés et explicités est bienentrenched.ancrée.At the same time marketing is under increasing En même temps, le marketing est sous la pression granpressureto show return on investment. What makes dissante de montrer un rendement sur le capital investi.sense at this point is to not only identify interesting Il est donc logique non seulement d’identifier des segcustomersegments but to make sure that what is ments intéressants mais aussi de s’assurer que ce qu’ils ontinteresting about them is directly tied to the value d’intéressant est directement lié à la valeur (profit) qu’ils(profit) they bring to the company.amènent à l’entreprise.In this talk I will discuss the process of building Dans cet exposé, je parle du processus de construction decustomer value segments and also address some segment de valeur-client ainsi que de certains des défis auxofthe challenges businesses face when doing such quels font face les entreprises se lançant dans de tels projets.projects.SH = Somerville House SSC = Social Science Centre UC = University College

92 Lundi 29 mai • Monday, May 29, 15:30–17:00[MS-63]National Automated Valuation Models in CanadaModèles nationaux d’évaluation automatisée au CanadaAnthony PERCACCIO, Municipal Property Assessment CorporationThe Municipal Property Assessment Corporation(MPAC) has developed an Automated ValuationLa Société d’évaluation foncière des municipalités (MPAC)a développé un modèle d’évaluation automatisée (MEV) enModel (AVM) product in response to a growing réponse aux besoins croissants de l’industrie des services fineedby the financial services industry for more nanciers pour des estimations de la valeur foncière plus préaccurateand cost-effective ‘real-time’ estimates cises, rentables et en « temps réel ». Le MEV s’appuie surof market value. The AVM product draws on la base de données d’évaluation automatisée des propriétés,MPAC’s state-of-the-art automated property valu- qui couvre plus de 3,5 millions de propriétés résidentiellesation database covering more than 3.5 million res- en Ontario représentant plus de 950 milliards de dollars. Leidential properties in the province of Ontario rep- MEV est statistiquement obtenu à partir d’études de marchéresenting over $ 950 billion. The AVM product is et de séries chronologiques approfondies et est mis à jourstatistically derived from extensive market & time mensuellement afin de refléter les conditions présentes duseries analyses and is updated monthly to reflect marché. Cet exposé porte sur la suite de produits MEV et lacurrent market conditions. The talk will discuss précision et fiabilité des estimations fournies pour toute protheAVM suite of products and how they provide a priété résidentielle en Ontario, Terre-Neuve & Labrador etreliable and accurate estimate of market value for plus.all residential properties in Ontario, Newfoundland& Labrador and beyond.Session 04E Lundi 29 mai • Monday, May 29, 15:30–17:00 SSC2024Limit Theorems with Applications in StatisticsThéorèmes limites avec applications en statistique[MS-64]Hermite Wavelet Estimation of Probability DensityEstimation de la densité de probabilité à l’aide d’ondelettes de Hermite.Mei Ling HUANG & Ron KERMAN, Brock UniversityThe paper studies a Hermite wavelet estimator ofan unknown density function f (x) using a sequenceX 1 , X 2 , . . . , X n of i.i.d. random variables. The convergencerate and other properties of this estimatorare given.L’article étudie l’estimation, à l’aide d’ondelettes de Hermite,d’une fonction de densité inconnue f (x) à partir d’unesuite de variables aléatoires i.i.d. X 1 , X 2 , . . . , X n . Diversespropriétés de l’estimateur résultant (incluant le taux deconvergence) sont présentées.[MS-65]Some Recent Results on the Consistency of Kernel-Type EstimatorsRésultats récents sur la convergence d’estimateurs à noyauUwe EINMAHL, Vrije Universiteit Brussel, BelgiumWe give a survey of some recent results dealingwith uniform consistency of kernel-type estimators.Our method is based on some general resultsfrom the theory of abstract empirical processes.Among other things, we present results on the pre-Nous faisons une revue de résultats récents au sujet de laconvergence uniforme d’estimateurs à noyaux. Notre théoriese base sur des résultats généraux de la théorie des proces-sus empiriques abstraits. Nous présentons, entre autres, desrésultats sur l’ordre de convergence précis de l’estimateur deSH = Somerville House SSC = Social Science Centre UC = University College

Lundi 29 mai • Monday, May 29, 15:30–17:00 93densité à noyau classique (par rapport aux normes-sup pon-dérées) et de l’estimateur Nadaraya-Watson (uniforme surun intervalle compact). Nos résultats sont également validesuniformément sur certaines étendues pour la largeur de fe-nêtre. Ceci nous permet de prouver la convergence lorsquela fenêtre est choisie d’après les données et/ou la position.cise order of the convergence speed for the classicalkernel type density estimator (with respect to(weighted) sup-norms) and also for the Nadaraya-Watson estimator (uniform over locations from acompact interval). A special feature of our resultsis that they also hold uniformly over certain rangesfor the bandwidth. This allows us to prove consistencyresults when the bandwidth is chosen dependingon the data and/ or location.[MS-66]How Many Entries of a Typical Orthogonal Matrix can be Approximated by Independent Normals?Combien d’entrées d’une matrice orthogonale typique peuvent être approximées par des variables normalesindépendantes ?Tiefeng JIANG, University of MinnesotaI will present my solution to the open problem ofDiaconis: what are the largest orders of the upperJe présenterai ma solution au problème non résolu de Diaconis: quels sont les ordres les plus élevés du bloc gaucheleft block of a random matrix which is uniformly supérieur d’une matrice aléatoire, qui est uniformémentdistributed on the orthogonal groups, can be ap- distribuée sur les groupes orthogonaux, qui peuvent êtreproximated by independent standard normals? This approximés par des variables normales typiques indépenproblemis solved by two different approximation dantes ? Ce problème est résolu par deux méthodes diffémethods:the variation norm and a weak norm. rentes d’approximation : la norme de la variation et la normeThe history of the problem since 1906 will be re- faible.viewed; applications and future problems will also L’historique du problème depuis 1906 sera passée en revue ;be given in this talk.des applications et des problèmes futurs seront égalementabordés dans cette présentation.[MS-67]On the Golden ratio, Strong Law, and First Passage ProblemSur le nombre d’or, la loi forte, et le problème du premier passageAndrei VOLODIN, University of Regina, Andrew ROSALSKY, University of FloridaFor a sequence of correlated square integrable randomvariables {X n , n ≥ 1}, conditions are provided carré intégrables {x n , n ≥ 1}, des conditions sont présen-Pour une séquence de variables aléatoires corrélées defor the strong law of large numbers lim n→∞ (S n − tées pour que la loi forte des grands nombres soit sa-ES n )/n = 0 almost surely to hold where S n = tisfaite presque sûrement, lim n→∞ (S n − ES n )/n = 0 où∑ ni=1X i , n ≥ 1. The hypotheses stipulate that two S n = ∑ ni=1X i , n ≥ 1. Les hypothèses stipulent que deuxseries converge, the terms of the first series involveboth the Golden Ratio ϕ = 1 2 (1+ √ 5) and bounds onVar(X n ) and the terms of the second series involveboth ϕ and bounds on Cov(X n , X n+m ). An applicationto first passage times is provided.séries convergent, les termes de la première série impliquentle nombre d’or ϕ = 1 2 (1 + √ 5) et des bornes sur Var(X n ) etles termes de la deuxième série impliquent ϕ et des bornessur Cov(X n , X n+m ). Une application aux premiers temps depassage est fournie.SH = Somerville House SSC = Social Science Centre UC = University College

94 Lundi 29 mai • Monday, May 29, 15:30–17:00Session 04F Lundi 29 mai • Monday, May 29, 15:30–17:00 SSC3026Bayesian StatisticsStatistique bayésienne[MS-68]A Quasi-Bayesian Change Point Detection with Random Exchangeable WeightsDétection quasi bayésienne de changement structurel avec poids aléatoires échangeablesMahmoud ZAREPOUR, University of Ottawa, Reza HABIBI, Shiraz UniversityUne statistique de test quasi bayésienne pour la détectiond’un point de changement structurel est étudiée sousun nouveau scénario de poids asymptotiquement prochesd’une importante sous-classe de poids de type Poisson-Dirichlet. Cette approche permet de se rapprocher d’un trai-tement bayésien non paramétrique de l’étude du point dechangement. En détectant le changement à chaque point,l’information a priori peut être mise à jour pour la détec-tion de futurs changements. La théorie asymptotique liée autest quasi bayésien est développée sous les hypothèses nulleet alternative et mène à des résultats présentés en termesd’intégrales stochastiques d’Itô.A quasi-Bayesian change point test statistic is studiedunder a new scenario of weights which areasymptotically close to an important subclass ofPoisson-Dirichlet weights. This approach helps toget closer to a full nonparametric Bayesian machineryfor the time of change. With detecting changeat each point, the prior can be updated for the futurechange point detection. Asymptotic theory for thequasi-Bayesian test is developed under the null andalternative hypothesis and results are represented interms of Itô stochastic integrals.[MS-69]Comparing Methods for Estimating Parameters in Dynamic SystemsComparaison de méthodes pour estimer des paramètres dans des systèmes dynamiquesDavid CAMPBELL, James O. RAMSAY, Giles HOOKER & Jiguo CAO, McGill UniversitySystems of differential equations model the behaviourdynamics between variables. In linear systemsthe differential equations can often be solvedand parameters estimated through nonlinear regressiontechniques. However with nonlinear systemstypically there is no closed form solution. Furthermorethe likelihood surface is often full of local extrema,making direct likelihood maximization techniquesslow or converge to non-optimal solutions.In this talk I will contrast the Bayesian method withthe profile estimation method for overcoming thesehurdles while highlighting challenges from bothmethods using simulated and real data examples.Les systèmes d’équations différentielles peuvent modéliserla dynamique des comportements entre les variables. Dansles systèmes linéaires, les équations différentielles peuventsouvent être résolues et les paramètres sont estimés par destechniques de régression non linéaires. Cependant avec lessystèmes non linéaires, en général il n’y a aucune résolutionanalytique. En outre, la surface de vraisemblance contientsouvent des maximums locaux. Ainsi les techniques directesde maximisation de vraisemblance peuvent être moins performantesou converger vers des solutions non optimales.Dans cette présentation, je vais discuter de l’utilisation de laméthode bayésienne et de la méthode d’évaluation de profilpour surmonter ces obstacles. Je vais mettre l’accent sur lesdéfis des deux méthodes en utilisant des exemples de donnéessimulées et des vraies données.SH = Somerville House SSC = Social Science Centre UC = University College

Lundi 29 mai • Monday, May 29, 15:30–17:00 95[MS-70]Semi-parametric Bayesian Logistic RegressionRégression logistique bayésienne semi-paramétriqueSohee KANG & Michael ESCOBAR, University of TorontoNon-parametric and semi-parametric extensions oflogistic regression have been studied by differentDes extensions non paramétriques et semi-paramétriques dela régression logistique ont été étudiées par différentes apapproachesfrom Bayesian and non-Bayesian per- proches de perspectives Bayésiennes et non bayésiennes.spectives. In this talk, we propose another semi- Dans cet entretien, nous proposons une autre manière BayéparametricBayesian way of estimating the binary sienne semi-parametrique d’estimer la courbe de régressionregression curve based on the density estimation binaire basée sur l’estimation de densité telle que la courbesuch that the fitted regression curve is estimated de régression adaptée est estimée comme étant un mélangeas the k mixtures of logistic regression functions de k fonctions de régression logistiques pondérées par desweighted by functions of marginal distribution of fonctions de la distribution marginale des covariables.covariates.Ce modèle bayésien fournit un environnement de simula-This Bayesian model provides an easy-to-implement tion facile à implanter. Le modèle de mélange du processimulationenvironment. The Dirichlet process sus de Dirichlet est employé pour développer une classemixture model is used to develop an appropriately convenablement flexible des distributions de mélange etflexible class of mixture distributions and a Gibbs l’échantillonnage de Gibbs est employé pour les calculs.sampling is used for the computations. The perfor- La performance de cette méthode est illustrée en utilisant àmance of this method is illustrated by using both la fois des jeux de données simulées ainsi que réelles.simulated and real data sets.La particularité passionnante de la méthode proposée estThe exciting feature of our proposed method is that qu’elle est applicable aux modèles linéaires généralisés sansit is applicable to generalized linear models with- restriction aux données binaires. Nous appliquons égalementout restriction to the binary data. We also apply our notre méthode à la régression de Poisson et démontrons lamethod to the Poisson regression and demonstrate performance avec des jeux de données simulées.the performance with simulated data sets.[MS-71]Checking for Prior-data Conflict with Hierarchically Specified PriorsVérification de l’existence d’un conflit dans l’a priori avant les observationsavec des lois a priorihiérarchiquesHadas MOSHONOV & Mike EVANS, University of TorontoPlusieurs modèles statistiques incluent peu de composantesparamétriques. Dans le contexte bayésien, les distributions apriori sont souvent spécifiées paramètre par paramètre. Cecipeut impliquer que les paramètres suivent des lois a prioriindépendantes, ou que les a priori sont spécifiésde façon sé-quentielle ou hiérarchique. Nous examinons des méthodespour déterminer la source de conflits dans les a priori avantmême d’observer les données parmi les composantes spécifiéesindividuellement de la distribution a priori.Many statistical models include few parametercomponents. In the Bayesian context priors areoften specified component wise. This may entailplacing independent priors on parameter componentsor specifying the priors in a sequential or hierarchicalfashion. We examine methods for checkingfor the source of any prior-data conflict in theindividually specified components of the prior.SH = Somerville House SSC = Social Science Centre UC = University College

96 Lundi 29 mai • Monday, May 29, 15:30–17:00[MS-72]Bayesian LAGO for Statistical Detection ProblemsLAGO bayésienne pour des problèmes statistiques de détectionWanhua SU, University of Waterloo, Hugh CHIPMAN, Acadia University, Mu ZHU, University of WaterlooIn statistical detection problems, we have data{Y i , X i },where X i is the predictor vector of the ithDans les problèmes statistiques de détection, nous avons desdonnées {Y i , X i }, où X i est le vecteur prédicteur de la i e obobservationand Y i = 0\1 is its class label. The servation et Y i = 0\1 est son étiquette de classe. L’objectifobjective of a statistical detection problem is to d’un problème statistique de détection est d’identifier les obidentifyclass-1 observations, which are extremely servations de la classe-1, qui sont extrêmement rares. Notrerare.Our previous work (LAGO) was demonstrated travail précédent sur le LAGO a été démontré qu’il peut êtreto be superior to methods such as KNN and SVM supérieur aux méthodes telles que KNN et SVM dans unin a real drug discovery problem. One drawback problème réel de découverte d’un médicament. Un désavanofthe existing LAGO is that it only provides a tage présent du LAGO est qu’il fournit seulement une estipointestimate of a test point’s possibility of being mation ponctuelle qu’une observation test puisse être dansclass 1, ignoring the uncertainty of the model.In la classe 1, ignorant l’incertitude du modèle. Dans cet enthistalk, we present a probabilistic framework for tretien, nous présentons un cadre probabiliste pour LAGO,LAGO, referred as BLAGO. Uncertainty can be référé par BLAGO. L’incertitude peut être adaptée en assiaccommodatedby assigning prior distributions to gnant des distributions aux paramètres. MCMC est utiliséthe parameters. MCMC is used to obtain the pos- pour obtenir a priori les distributions postérieures. BLAGOterior distributions. BLAGO provides proper prob- fournit les prévisions probabilistes appropriées de supportabilistic predictions that have support on (0, 1) and sur (0, 1) et détecte aussi l’incertitude des prévisions.capture uncertainty of the predictions as well.[MS-73]Profile-monitoring Curve DataContrôle de profils pour des données fonctionnellesSofia MOSESOVA, University of Waterloo, Hugh CHIPMAN, Acadia UniversityDans cette présentation, nous généralisons certaines destechniques traditionnelles de contrôle des procédés à desdonnées fonctionnelles (courbes) en mettant l’accent sur unproblème de l’industrie automobile. Deux types de modèlesbasés sur le lissage de B-splines et des équations différen-tielles sont proposés pour décrire la dynamique de tellesdonnées. Les coefficients estimés obtenus à partir de cesmodèles sont par la suite contrôlés à l’aide de la statistiqueT 2 de Hotelling. On utilise des données de simulation pourvalider les résultats.In this talk we generalize some of the traditionalprocess monitoring techniques to functional(curve) data, with emphasis on a problem takenfrom the automotive industry. Two types of modelsinvolving B-spline smoothing and differentialequations are proposed for describing the dynamicsof such data. Estimated coefficients obtainedfrom fitting these models are subsequently monitoredusing a Hotelling T 2 statistic. Simulated datais used to validate the results.SH = Somerville House SSC = Social Science Centre UC = University College

Lundi 29 mai • Monday, May 29, 15:30–17:00 97Session 04G Lundi 29 mai • Monday, May 29, 15:30–17:00 SSC3006Methodology for Time-to-event DataMéthodologie pour des données de temps d’attente[MS-74]Efficient Semiparametric Estimation in a Class of Conditional Single-index Survival ModelsEstimation semi paramétrique efficace dans une classe de modèles de survie conditionnels à indice simpleXuewen LU & Jie SUN, University of CalgaryIn this article, we investigate a class of conditionalsingle-index survival models. Our models assumeDans cet article, nous nous intéressons à une classe de modèlesde survie conditionnels à indice simple. Nos modèlesthat the hazard functions depend on the covariates supposent que la fonction de risque dépend des covariablesthrough a single-index but not otherwise restrict the à travers un indice simple mais ne restreignent pas autreshapeof the hazard function. Therefore, our mod- ment la forme de la fonction de risque. Notre modèle généraelsgeneralize many existing parametric or semi- lise donc plusieurs modèles de survie paramétriques et semiparametricsurvival models in the literature, includ- paramétriques existant dans la littérature, incluant les moingproportional hazards models, accelerated fail- dèles à risques proportionnels, les modèles à temps accéléré,ure time models, in more general, generalized lin- les modèles linéaires généralisés et les modèles de transforearmodels and linear transformation models. A mation linéaire. Une inférence basée sur le maximum de lapseudo-likelihood-based inference is developed to pseudo-vraisemblance est développée pour estimer les coefestimatethe single-index coefficients: the result- ficients de l’indice simple : l’estimateur résultant convergeing estimator is strongly consistent, asymptotically fortement, est asymptotiquement normal et atteint la bornenormal and achieves the semiparametric efficiency d’efficacité semi-paramétrique. Une étude de simulation estbound. A simulation study is carried out to exam- effectuée afin d’examiner le comportement de l’estimateurine the finite sample behaviours of the estimator. sous un échantillon fini.[MS-75]Marginal Hazards Model for Multivariate Failure Times with Auxiliary CovariatesModèle des risques marginaux pour des temps de ruine multivariés avec des covariables auxiliairesZhaozhi FAN, Memorial University of NewfoundlandWe consider marginal hazards model of multivariatefailure times with continuous auxiliary covari-Nous considérons le modèle des risques marginaux pour destemps de ruine multivariables avec des covariables auxiates.We extend the kernel smoothing procedure of liaires multivariés. Nous adaptons la procédure de lissageZhou and Wang (2000) to correlated failure time par le noyau de Zhou et Wang (2000) aux données corrédata.We estimate the marginal partial likelihood lées des temps de ruine. Nous estimons la fonction de vraifunctionwith a semiparametric procedure. We semblance partielle marginale avec une procédure semi papresentasymptotic properties of the induced esti- ramétrique. Nous présentons les propriétés asymptotiques demator and provide some simulation results. l’estimateur par induction et fournissons quelques résultatsde simulation.SH = Somerville House SSC = Social Science Centre UC = University College

98 Lundi 29 mai • Monday, May 29, 15:30–17:00[MS-76]A Marginal Regression Model for Multivariate Failure Time Data with a Surviving FractionUn modèle de régression marginal pour données multivariées de temps de défaillance avec une proportionqui survitYingwei PENG, University of Michigan & Memorial University of Newfoundland, Jeremy TAYLOR, University ofMichigan, Binbing YU, Information Management Services, Inc., USAIn this work, we consider a semiparametric marginalproportional hazard mixture cure model for clus-Nous considérons ici un modèle marginal semi paramétriqueà risques proportionnels pour des données de survie entered survival data. Unlike the clustered data in grappes. Contrairement aux données en grappes des travauxprevious work, the latent binary cure statuses of précédents, les états latents de guérison binaire des patientspatients in one cluster tend to be correlated in addi- au sein d’une grappe tendent à être corrélés en plus d’êtretion to the possible correlated failure times among possiblement corrélés avec les temps de défaillance des pathepatients in the cluster who are not cured. The tients de la grappe qui ne sont pas guéris. La complexité de lacomplexity of specifying appropriate correlation spécification de la structure de corrélation entre les états destructures for the data becomes even worse if the guérison et les temps de défaillance est augmentée lorsquepotential correlation between cure statuses and the les corrélations potentielles entre les états de guérison et lesfailure times in the cluster has to be considered. We temps de défaillance à l’intérieur de la grappe doivent êtreformulate a semiparametric marginal proportional considérées. Nous formulons un modèle marginal semi parahazardsmixture cure model and propose an esti- métrique à risques proportionnels et proposons une méthodemation method. Simulation studies are conducted d’estimation. Des simulations sont effectuées afin d’évaluerto assess finite sample properties of the proposed les propriétés du modèle et de la méthode proposés sous unmodel and method. The marginal model is illus- échantillon de taille finie. Le modèle marginal est illustré àtrated with a real cancer data set.l’aide de données sur le cancer.[MS-77]On the Asymptotics of NPMLE of a Distribution Function Based on Bivariate Interval-censored DataPropriétés asymptotiques de l’EVMNP d’une distribution basé sur des données bidimensionelles censuréespar intervallesDianliang DENG, University of ReginaThe nonparametric maximum likelihood estimationof a bivariate distribution function basedon interval-cencsored data is studied and a selfconsistentequation is derived for the estimator.Further, the strong consistency and convergencerate for NPMLE are obtained for the specifiedcases.L’estimation par maximum de vraisemblance non paramétrique(EVMNP) d’une distribution bidimensionnelle baséesur des données censurées par intervalles est étudiée et uneéquation auto-cohérente satisfaite par l’estimateur est obtenue.De plus, la convergence presque sûre et le taux deconvergence de l’EVMNP sont obtenus pour des cas spéci-fiques.[MS-78]Low-risk Dose Estimation for Environmental Toxic Agents—Weibull Hazard ModelEstimation de la dose à faible risque d’agents toxiques environnementaux – le modèle de WeibullAbdul Sattar AL-KHALIDI, Insurance Bureau of CanadaCet article porte sur la modélisation et l’analyse de donnéesde toxicité où le temps de réponse est enregistré ou estimé.L’estimateur de la dose à faible risque est dérivé d’une distri-bution paramétrique pour le temps de réponse toxique afin defournir la durée de l’effet d’exposition et les niveaux de dose.This paper concerns with modeling and analysis oftoxicity data in which the time to advert response isrecorded or estimated. The low risk dose estimatoris derived from a parametric probability distributionfor the time to toxic response to provide ex-SH = Somerville House SSC = Social Science Centre UC = University College

Lundi 29 mai • Monday, May 29, 15:30–17:00 99La distribution dérivée découle du présupposé de frappesmultiples où une fonction de risque de Weibull est induitedu temps de réponse maximal. Dans le domaine de la toxi-cologie et de la santé environnementale, les effets domma-geables d’agents chimiques présents dans l’environnement(comme les toxines gazeuses) ou autres stimuli sont souventétudiés dans des systèmes animaux et microbiens. Les don-nées de telles expériences seront analysées avec le modèledéveloppé ici. La procédure développée est illustrée sur desdonnées de dosage de cancérogénécité.posure duration effect, as well as dose levels. Thederived probability distribution stems form multihitassumption in which a Weibull hazard functionis induced from the maximum response time. In thearea of toxicology and environmental health, thedamaging effects of environmental chemical (suchas gaseous toxins) or other stimuli are often studiedin animal and microbial systems. Data fromsuch experiments will be analyzed via the modeldeveloped in this work. The procedure developedis illustrated on data from carcinogenicity assays.Session 04H Lundi 29 mai • Monday, May 29, 15:30–17:00 SSC3014Nonparametric MethodsMéthodes non paramétriques[MS-79]Two-dimensional Survival Analysis Under General CensoringAnalyse de survie bidimensionnelle sous censure généraleAlberto CARABARIN & B. Gail IVANOFF, University of OttawaNous passons en revue le modèle de filtration à deux dimensionsbasé sur des « nuages » et des « anti-nuages »,et montrons qu’il comporte un problème fondamental avecl’observabilité de l’estimateur de Nelson-Aalen pour la fonc-tion de risque cumulatif. Une solution basée sur la filtrationpar un ensemble aléatoire de type plus général est propo-sée. Un théorème central limite fonctionnel est donné pourl’estimateur de Nelson-Aalen obtenu sous le nouveau mo-dèle.The filtering model in two dimensions based on‘clouds’ and ‘anti-clouds’ is reviewed, and it isshown to have a fundamental problem with the observabilityof the Nelson-Aalen estimator for theintegrated hazard function. A solution is proposedbased on filtering by a more general type of randomset. A functional central limit theorem is given forthe Nelson-Aalen estimator obtained under the newmodel.[MS-80]Nonparametric Tests of Hypotheses for Umbrella AlternativesTests d’hypothèse non paramétiques pour des alternatives de type parapluieMayer ALVO & Vladislav BRION, University of OttawaWe consider the problem of testing for the hypothesisof no treatment effect against the alternativeNous considérons le problème de tester l’hypothèse qu’il n’yait aucun effet de traitement contre l’alternative qu’il y a unthat there is a monotone treatment effect subject to effet de traitement monotone et sujet à un changement de dichangein direction. We propose a general proce- rection. Nous proposons une procédure générale basée sur ledure based on the ranks of the observations. Two rang des observations. Deux ensembles de rangs sont défisetsof rankings are defined: one labeled the ex- nis : l’ensemble dit externe et correspondant à l’alternativetremal set corresponding to the alternative and the et l’ensemble défini par les observations. Une métrique entreother defined by the observations. A metric be- n’importe qu’elle paire de rangs est choisie. La statistique detween any two rankings is selected. The test statis- test est alors basée sur la distance moyenne entre les pairestic is then based on the average overall distance be- de rangs où un rang est choisi parmi chaque ensemble. Noustween pairs of rankings, one selected from each set. illustrons cette approche en utilisant la métrique de Spear-We illustrate the approach using the Spearman met- man.ric.SH = Somerville House SSC = Social Science Centre UC = University College

100 Lundi 29 mai • Monday, May 29, 15:30–17:00[MS-81]Projection-directed Invariant Tests for the Multivariate Multi-sample ProblemTests invariants par projection pour le problème multivarié à plusieurs échantillonsXiaobin YUAN & Cheng CHENG, St. Jude Children’s Research HospitalA class of simple tests combining projection andunivariate nonparametric tests is proposed for theUne classe de tests simples combinant des tests non paramétriquesunivariés et des projections est proposée pour lemultivariate multi-sample problem. The direction problème multivarié à plusieurs échantillons. La directionfor projection is based on principal components of de la projection est basée sur les composantes principales dethe pooled sample. For the projected data at each l’échantillon groupé. Pour les données projetées dans chaquedirection, we can choose proper univariate tests direction, nous pouvons choisir le test univarié appropriéfor different alternatives. Our proposed tests have pour différentes alternatives. La perte d’efficacité asymptolittleasymptotic efficiency loss for testing multi- tique des tests que nous proposons pour tester les moyennesvariate Normal means compared to the optimal T- d’une Normale multivariée, par rapport au test optimal du T-square test. This method can be modified for right- carré, est très faible. Cette méthode peut être modifiée pourcensored bivariate data.des données bivariées censurées à droite.[MS-82]Nonparametric Likelihood WeightsPoids non paramétriques pour la vraisemblance pondéréeJean-François PLANTE & James V. ZIDEK, University of British ColumbiaSuppose samples are available from M similar populations,one of which is of inferential interest.The weighted likelihood described by Wang (2001)uses exponential weights to include all data for inference.Determining the weights is challenging.We present a data-based nonparametric criterionfor choosing the weights and justify its constructionintuitively. We then explore the properties andperformances that result from using these adaptiveweights.Vous disposez de M échantillons provenant de populationssemblables dont une sur laquelle porte l’inférence. La vraisemblancepondérée telle que décrite par Wang (2001) utilisedes poids exponentiels afin d’inclure toutes les données dansle processus inférentiel. Un grand défi consiste à déterminerces poids. Nous présentons et justifions intuitivement un cri-tère échantillonnal non paramétrique pour choisir les poids.Nous étudions ensuite les propriétés et les performances quidécoulent de ce choix.[MS-83]Comparison of Two Non Parametric Regression Methods with Application to a Mammary Density StudyComparaison de deux méthodes de régression non paramétrique multivariées par une application à uneétude portant sur la densité mammaireNathalie VANDAL, Université LavalNon parametric regression is a statistical tool to describethe relationship between a dependent variableand one or more predictors without specifyingan exact form for this relationship. In this presentation,a short description of GAM and poly-MARS estimation methods will be given, followedby a comparison of results obtained when applyingthese two methods to a dataset from a mammarydensity study.La régression non paramétrique est un outil statistique permettantde décrire la relation entre une variable dépendanteet une ou plusieurs variables explicatives, sans spécifier deforme stricte pour cette relation. Dans cette présentation, unebrève description des méthodes GAM et polyMARS sera exposée,suivi d’une comparaison des résultats obtenus lors del’application de ces deux méthodes à des données provenantd’une étude portant sur la densité mammaire.SH = Somerville House SSC = Social Science Centre UC = University College

Mardi 30 mai • Tuesday, May 30, 08:30–09:45 101[MS-84]Science, Mathematics, and StatisticsScience, mathématiques, et statistiqueG. Arthur MIHRAM, Princeton, NJ, Danielle MIHRAM, University of Southern CaliforniaWe review our statistical literature dealing particularlywith our relationship to Science. Science isNous examinons notre littérature de statistique qui traiteen particulier de notre rapport avec la science. La sciencethat human activity devoted to the search for the est cette activité humaine consacrée à la recherche devery explanation for (i.e., for the truth about) some l’explication exacte (c.-à-d., la vérité au sujet) d’un phénoparticularnaturally occurring phenomenon. The mène naturel en particulier. La Méthode Scientifique est unScientific Method is a six-stage model-building processus de six étapes pour la construction d’un modèle. Laprocess. Statistical model-building often is sup- construction d’un modèle statistique soutient souvent l’effortportive of the scientist’s effort; yet, we conclude de l’homme de science ; néanmoins, nous concluons avecwith a probabilistic statement regarding any de- une déclaration probabilistique au sujet de n’importe quellesigned experiment, meaning that we necessarily expérience bien conçue, ce qui sous-entend que nécessaifallshort of the goal of Science (viz., providing rement nous faillons à notre obligation envers le but de lathe very explanation). Are there shortcomings of science (à savoir, fournir l’explication exacte). Y a-t-il desmathematics (applied, then pure) to Science? Our imperfections en mathématiques (appliquées, puis pures) parconclusion: Mathematics is neither necessary nor rapport à la Science ? Notre conclusion : Les mathématiquessufficient for Science.ne sont ni nécessaires ni suffisantes pour la Science.Session 05A Mardi 30 mai • Tuesday, May 30, 08:30–09:45 SSC2050Gold Medal AddressAllocution de la médaille d’or[MS-85]Statistical Analysis for Public PolicyL’analyse statistique au service de la politique publiqueDavid ANDREWS, University of TorontoPublic policy is increasingly informed by the statisticalanalysis of studies and administrative data.Policy is guided by measures of the magnitude ofproblems and interventions. To be effective, thesemeasures have to be understood and accepted. Thelargest problem is that of bias.In this lecture, symbolic computation in R is usedto show surprising new and some forgotten resultsabout common statistical procedures. From theseresults follow general principles for statistical analysisfor public policy. These principles are illustratedwith recent health studies.La politique publique est de plus en plus informée parl’analyse statistique d’études et de données administratives.La politique est guidée par des mesures démontrantl’ampleur des problèmes et des interventions. Pour être ef-ficaces, ces mesures doivent être comprises et acceptées. Leplus grand problème est alors celui du biais.Dans cet exposé, le calcul symbolique avec R est utilisé pourmontrer des résultats surprenants, nouveaux et oubliés, surquelques procédures statistiques communes. De ces résul-tats découlent des principes généraux concernant l’analysestatistique en politique publique. Ces principes sont illustrésavec de récentes études sur la santé.SH = Somerville House SSC = Social Science Centre UC = University College

102 Mardi 30 mai • Tuesday, May 30, 10:15–11:45Session 06A Mardi 30 mai • Tuesday, May 30, 10:15–11:45 SSC3018Some Current Developments in the Analysis of Complex Survey DataDéveloppements récents en analyse de données d’enquêtes complexes[MS-86]Analysis of Longitudinal Survey Data with Missing Observations: An Application to the NationalLongitudinal Survey of Children and Youth (NLSCY)Analyse de données longitudinales en présence d’observations manquantes : une application à l’Enquêtelongitudinale nationale sur les enfants et les jeunes (ELNEJ)Ivan CARRILLO-GARCIA, University of Waterloo, Milorad KOVACEVIC, Statistics Canada, Changbao WU, University ofWaterlooAll surveys, either cross-sectional or longitudinal,contain nonresponse. Under these circumstancesToutes les enquêtes, qu’elles soient transversales ou longitudinales,sont sujettes à la non-réponse. Dans ces conditions,one must make assumptions about the response il est nécessaire d’établir des postulats quant au mécanismemechanism. There is extensive literature about de réponse. La littérature au sujet de la non-réponse dansnonresponse for cross-sectional surveys. For lon- les enquêtes transversales est abondante. Cependant, le progitudinalsurveys, the missing data problem, the blème des données manquantes, les propriétés des différentsproperties of different response mechanisms, and mécanismes de réponse et leurs impacts sont moins bientheir impacts on variances are much less known. connus dans le cas d’études longitudinales. Sous l’hypothèseAssuming MAR, we apply the Weighted GEE de données manquantes aléatoirement, nous appliquons lamodeling, following the lines of earlier research modélisation par EEG pondérées, suivant l’approche de reforlongitudinal studies under non-survey settings cherche antérieure en études longitudinales (Robins et al.,(Robins et.al., 1995), to estimate the regression 1995), afin d’estimer les coefficients de régression et leur vacoefficientsand their joint randomization variance riance conjointe lorsque des abandons ou de la non-réponsewhen either dropouts or intermittent nonresponse intermittente sont présents. Nous utilisons l’ELNEJ pour nosis present. We use the NLSCY for our analyses. analyses.[MS-87]Treatments for the Problem of Identification of Links in Indirect SamplingTraitements pour le problème de l’identification des liens en échantillonnage indirectXiaojian XU, University of Alberta, Pierre LAVALLÉE, Statistics CanadaIn the context of indirect sampling, we address theproblem of overestimation caused by link nonresponsewhen using generalized weight sharemethod (GWSM). A few adjustment methods, withand without use of auxiliary variables, have beenconstructed. The properties of these methods werestudied in a simulation study based on the longitudinalsurvey data. The simulation results show thatthese adjusted using the GWSM perform well in reducingboth, the estimation bias and the variance.The advancement in bias reduction is significant.Dans le contexte de l’échantillonnage indirect, nous nousintéressons au problème de la surestimation causée parla non-réponse de lien lorsque la méthode de la part despoids généralisée (MPPG) est utilisée. Quelques méthodesd’ajustement, utilisant ou non des variables auxiliaires, ontété construites. Les propriétés de ces méthodes ont été étu-diées dans une étude de simulation basée sur des donnéeslongitudinales. Les résultats de simulation montrent que lesajustements utilisant la MPPG performent bien en réduisantà la fois le biais et la variance. Le progrès en réduction debiais est significatif.SH = Somerville House SSC = Social Science Centre UC = University College

Mardi 30 mai • Tuesday, May 30, 10:15–11:45 103[MS-88]Resampling Methods for Two-stage Sampling in Complex SurveysMéthodes de ré-échantillonnage pour l’échantillonnage à deux phases dans les enquêtes à plans complexesChunfang (Devon) LIN & Randy SITTER, Simon Fraser UniversityDans l’échantillonnage à deux phases dans les enquêtesaux plans complexes, l’estimation de la variance basée surla réplication est souvent appliquée aux unités sélection-nées à la première phase. La justification théorique est fon-dée sur l’hypothèse que la fraction de l’échantillonnage dela première phase est négligeable. Motivé par l’existencede quelques enquêtes où cette hypothèse n’est pas satis-faite, nous développons des adaptations de la méthode deréplications répétées équilibrées et de la méthode de ré-échantillonnage qui n’exigent pas cette hypothèse. Nous ex-plorons les propriétés asymptotiques des estimateurs dérivésde la variance et réalisons une étude de simulation pour éva-luer la performance des méthodes proposées avec une tailled’échantillon finie.In two-stage sampling in complex surveys, replication-basedvariance estimation is often appliedto the first-stage sampling units. Theoretical justificationis based on the assumption that the firststagesampling fraction is negligible. Motivated bysome surveys where this assumption is not met, wedevelop adaptations of the method of balanced repeatedreplications and bootstrapping that that donot require this assumption, explore the asymptoticproperties of the derived variance estimators andconduct a simulation study to evaluate the performanceof the proposed methods with finite samplesize.Session 06B Mardi 30 mai • Tuesday, May 30, 10:15–11:45 SSC2024Regression Models: Recent Advances and ApplicationsModèles de régression : Développements récents et applications[MS-89]Modelling Dependent Bivariate Time-to-event Data Using Accelerated Life RegressionModélisation des données dépendantes bidimensionnelles en utilisant une régression accélérée de la survieYun Hee CHOI, Samuel Lunenfeld Research Institute at the Mount Sinai Hospital, E. David MATTHEWS & Y. Yi YI,University of WaterlooTo analyze bivariate time-to-event data from matchedor naturally paired study designs, we introducePour les analyses de survie pour des données bidimensionnellesdes plans d’étude appariés ou naturellement jumelés,a bivariate accelerated life regression model that nous présentons un modèle accéléré bidimensionnel de réusesshared frailties, and describe a flexible com- gression de la survie qui emploie des faiblesses communes,putational framework for fitting this model. We et décrivons un cadre informatique flexible pour ajuster ceinvestigate the statistical properties of the model, modèle. Nous étudions les propriétés statistiques du moanddevelop diagnostic tools for assessing model fit dèle, et développons des outils diagnostiques pour évaluerusing the bivariate probability integral transforma- l’ajustement de modèle en utilisant la transformation intétionof univariate residuals. Our proposed residuals grale de la probabilité bidimensionnelle des résidus unidiplotswill help confirm the choice of an appropri- mensionnels. Nos graphiques de résidus proposés aideront àate frailty distribution. Through simulation studies confirmer le choix d’une distribution appropriée de faiblesse.and graphical displays, we characterize the sam- Par des simulations et des représentations graphiques, nouspling behaviour of these residuals and demonstrate caractérisons le comportement de prélèvement de ces résidushow well these tools address questions of model fit. et démontrons à quel point ces outils ajustent le modèle.SH = Somerville House SSC = Social Science Centre UC = University College

104 Mardi 30 mai • Tuesday, May 30, 10:15–11:45[MS-90]Regression Models for Longitudinal Data and its ApplicationsLes modèles de régression en présence de données longitudinales et leurs applicationsTulay KORU-SENGUL, McMaster UniversityLongitudinal data analysis has been extensivelyused in many fields especially in medicine, epi-L’analyse de données longitudinales est largement utiliséedans plusieurs domaines, en particulier en médecine, en épidemiologyand social sciences to study the same démiologie et en sciences sociales, pour étudier le mêmegroup of subjects over time. There are differ- groupe de sujet à travers le temps. Il existe différentes apentmodeling approaches for analyzing longitudi- proches à la modélisation de données longitudinales diffénalstudies which may differ substantially from rant substantiellement l’une de l’autre et le choix du moeachother and the choice of a model depends, dèle utilisé dépend, bien sûr, de l’objectif de l’étude. Cetof course, on the desired goal of the study. This exposé présente des plans longitudinaux et examine diffétalkwill introduce longitudinal designs and inves- rentes approches à la modélisation en soulignant leur simitigatedifferent modeling approaches by outlining litudes et dissimilitudes. Des applications des modèles à desthe similarities and dissimilarities. Applications of études cliniques seront présentées, ainsi que certaines avanthemodels will be given for several clinical studies. cées récentes en analyse longitudinales, telles les modèlesRecent advances for analyzing longitudinal studies conjoints.such as joint models will also be discussed.SH = Somerville House SSC = Social Science Centre UC = University College

Mardi 30 mai • Tuesday, May 30, 10:15–11:45 105Session 06C Mardi 30 mai • Tuesday, May 30, 10:15–11:45 SSC2050BioinformaticsBioinformatique[MS-91]Applications of Computational Intelligence to Pattern Discovery in Biological SystemsApplications de l’intelligence informatique à la découverte de patrons reliés aux systèmes biologiquesGary FOGEL, Natural Selection, Inc.Les systèmes biologiques sont intrinsèquement non linéaires.Une méthode pour comprendre les systèmes bio-logiques est de réduire cette non-linéarité à des relationslinéaires pour ensuite appliquer les méthodes statistiquesusuelles de développement de modèles. Lorsque les méca-niques sous-jacentes sont largement linéaires, ces méthodesfonctionnent très bien. Cependant, lorsque les variables enbiologie sont largement non linéaires, de nouvelles méthodesinformatiques peuvent être utilisées pour éviter la réduc-tion aux premiers principes. Cet exposé décrit des tentativesd’utilisation d’intelligence informatique pour la reconnais-sance et la découverte de formes dans un assortiment de pro-blèmes biologiques dont l’espace de paramètres contient dela non-linéarité et/ou qui ont un grand nombre de solutionspossibles.Biological systems are inherently nonlinear. Onemethod of understanding biological systems is tofirst reduce this nonlinearity to linear relationshipsand apply standard statistical methods for modeldevelopment. When the underlying mechanics arelargely linear, these methods work very well. However,when the biology is vastly nonlinear, novelcomputational methods can be employed that avoidreduction to first principles. This lecture describesefforts to use computational intelligence methodsfor pattern recognition and pattern discovery in anassortment of biological problems which containnonlinearity in feature space and/or have vast numberof possible solutions.[MS-92]Operons and the Quality of Predictions of Functional Interactions Using Phylogenetic ProfilesLes opérons et la qualité des prévisions des interactions fonctionnelles en utilisant des profils phylogénétiquesGabriel MORENO-HAGELSIEB, Wilfrid Laurier University, Sarath JANGA, CCG-UNAMLes opérons se composent de gènes qui fonctionnent d’unefaçon reliée. Les profils phylogénétiques sont des vecteursdécrivant la présence ou l’absence d’un gène à travers d’unensemble de données de génome. Si deux gènes fonctionnentensemble, ils devraient être absents ou présents à travers desorganismes. Par conséquent, leurs profils phylogénétiquesdevraient être corrélés. Nous avons déterminé une valeurde confiance pour des prévisions d’opéron en utilisant desprofils phylogénétiques valides dans n’importe quel Proca-ryote. Un ensemble de données non redondant de génomesaugmente le nombre de prévisions à un niveau de confiancede 0,90 par un ratio moyen de 1,36. Les résultats montrentla puissance et l’importance des étalons positifs et négatifspour l’amélioration des prévisions en utilisant le contexte génomique.Operons are composed of functionally-relatedgenes. Phylogenetic profiles are vectors describingthe presence/absence of a gene across a genomedataset. If two genes work together, they shouldbe both either absent or present across organisms.Thus, their phylogenetic profiles should correlate.We devised a confidence value for operon predictionsusing phylogenetic profiles valid in anyProkaryote. A non-redundant genome dataset increasesthe number of predictions at a confidencevalue of 0.90 by an average ratio of 1.36. The resultsshow the power and importance of positiveand negative gold standards for the improvementof predictions using genomic context.SH = Somerville House SSC = Social Science Centre UC = University College

106 Mardi 30 mai • Tuesday, May 30, 10:15–11:45[MS-93]Multiclustering, Avoiding the Shape of Underlying MetricsÉviter la forme des métriques sous-jacentes en classificationDaniel ASHLOCK, University of GuelphToute méthode de classification dépend fortement de la mesurede distance ou de similarité utilisée pour comparer lesobjets à regrouper. Les méthodes estimant le nombre « cor-rect » de groupes dépendent du jugement humain ou re-quièrent de multiples itérations d’un algorithme suivi d’uneanalyse statistique des groupes produits. Cet exposé présenteune méthode de multiclassification qui combine les résultatsde centaines ou milliers d’itérations tout en évitant le biaisintroduit par la métrique sous-jacente et fournit un graphe decoupe conseillant l’utilisateur quant à la structure des don-nées, incluant le nombre naturel de groupes, s’il existe.Any clustering technique depends strongly on theunderlying distance or similarity measure used tocompare the objects being clustered. Methods forestimating the "correct" number of clusters are dependenton human judgment or may require multipleruns of an algorithm followed by statisticalanalysis of the clusters produced. This talk introducemulticlustering which combines the output ofhundreds or thousands of clustering runs in a mannerthat both avoids some kinds of bias introducedby the underlying metric and also gives an advisory,called a cut plot, that advises the user as thethe structure of the data including the natural numberof clusters if one exists.Session 06D Mardi 30 mai • Tuesday, May 30, 10:15–11:45 SH3345Meta-analysis of Randomized Controlled TrialsMéta-analyse d’essais contrôlés randomisés[MS-94]Combining Studies with Continuous and Binary OutcomesCombinaison d’études avec résultats continus et binairesAndrew WILLAN & Joseph BEYENE, SickKids Research Institute/University of TorontoIn recent years, the medical literature has witnessedan exponential growth in research that uses metaanalyticmethods. The analytical methods are wellestablishedfor combining studies involving effectmeasures reported using uniform scales for the outcomeof interest, for example scenarios where allstudies that need to be combined use a continuousscale. A challenge arises in situations wherea combination of measurement scales is reportedfor the same end point. We present an overview ofmethods that can be used for combining effect sizeswhere some studies are reporting summary measureson a continuous scale and others on binaryscales. The performances of the various methodsare compared using simulations and real data setsare used for illustration.Ces dernières années, la littérature médicale a été témoind’une croissance exponentielle de la recherche employantdes méthodes méta-analytiques. Les méthodes analytiquessont bien établies pour combiner des études impliquantl’effet de mesures rapportées en utilisant des échelles uni-formes pour les résultats d’intérêt, comme par exemple, lesscénarios où toutes les études devant être combinées uti-lisent une échelle continue. Un défi surgit dans les situationsoù des études employant des échelles de mesure complète-ment différentes sont combinées dans un même but. Nousprésentons une revue des méthodes qui peuvent être em-ployées pour combiner les résultats provenant d’études rap-portant des mesures sommaires sur des échelles continueset binaires. Les performances des diverses méthodes sontcomparées à l’aide de simulations et de données réelles.SH = Somerville House SSC = Social Science Centre UC = University College

Mardi 30 mai • Tuesday, May 30, 10:15–11:45 107[MS-95]Use of Bayesian Methodology in Meta-analysisUtilisation de méthodologie bayésienne pour la méta-analyseAnna SAWKA, University of TorontoAn advantage of using a Bayesian approach inmeta-analysis is that prior knowledge, beliefs, orUn avantage d’employer une approche bayésienne pour laméta-analyse vient du fait que les connaissances antérieures,assumptions can be systematically incorporated in croyances, ou hypothèses peuvent être systématiquementa hierarchical model. For example, prior knowl- incorporées à un modèle hiérarchique. Par exemple, uneedge about the treatment effect of an intervention in connaissance antérieure quant à l’effet d’une interventiona different population that than the one being stud- dans une population différente de celle étant étudiée peutied may be incorporated in a model. In another être incorporée dans un modèle. Dans un autre exemple,example, prior knowledge about a design effect une connaissance antérieure au sujet de l’effet dû au planmay be incorporated in pooling data from cluster d’expérience peut être incorporée en regroupant des donnéesrandomized trials. This presentation will discuss produites lors d’essais randomisés par grappes. Cette présentheapplications and benefits of Bayesian methods tation présentera l’application et les avantages des méthodesin pooling data from randomized controlled trials bayésiennes permettant le regroupement des données prowithcomplex designs.venant d’essais contrôlés randomisés à plans d’expériencecomplexes.[MS-96]A Generalized Meta-analysis Model: The Combination of Observations and StudiesUn modèle généralisé de méta-analyse : la combinaison des observations et des étudesKeith O’ROURKE, Ottawa Health Research InstituteMost analysis techniques default to addressing asingle study and place restrictions on the distri-La plupart des techniques d’analyse prennent en considérationune seule étude et imposent des restrictions sur les disbutionsand parameterizations—i.e., Linear, Gen- tributions et les paramétrisations – par exemple, les modèleseralized Linear, Generalized Additive, and Pro- linéaires, linéaires généralisés, additifs généralisés et à déportionalHazards models. Meta-analysis de- faillance proportionnelle. La méta-analyse prend en consifaultsto the situation of multiple studies and dération de multiples études et, en présence de groupes ingivenindependent groups of independent obser- dépendants d’observations indépendantes, une large gammevations a wide range of distributions with com- de distributions – avec ou sans paramètres communs – et demon and non-common parameters and various paramétrisations peuvent être accommodées. Les vraisemparameterizations—canbe accommodated. Impor- blances basées sur l’échantillonnage d’importance sont utilitancesampling based likelihoods are used for var- sées pour produire divers sommaires permettant directementious reported summaries to enable direct Bayesian une inférence bayésienne ou classique. L’intégration numéorClassical inference. Numerical integration with rique avec bornes garanties permet plusieurs modèles à efguaranteedbounds allows various random effect fets aléatoires et la vraisemblance de profil modifiée simuléemodels and simulated modified profile likelihood peut fournir une certaine assurance relative à la validité desmay provide some assurance that Classical confi- intervalles de confiance classiques.dence intervals are valid.SH = Somerville House SSC = Social Science Centre UC = University College

108 Mardi 30 mai • Tuesday, May 30, 10:15–11:45Session 06E Mardi 30 mai • Tuesday, May 30, 10:15–11:45 UC85Advances in Markov ProcessesDéveloppements dans les processus de Markov[MS-97]A Mean Field Analysis of Decentralized Random Access ProtocolsAnalyse par une approximation champ moyen d’un protocole d’accès décentraliséDavid MCDONALD, University of Ottawa, Charles BORDENAVE & Alexandre PROUTIÈRE, École Normale SupérieureThe stability and performance of decentralized randomaccess protocols for Wireless LANs and Ad-La stabilité et la performance des protocoles d’accès aléatoiredécentralisé pour les LANs sans fil et les réseaux adHoc networks is complicated due to inherent inter- hoc sont compliquées par la présence d’interaction inhérenteaction between sources. One can circumvent this entre les sources. On peut éviter cette difficulté en découdifficultyby decoupling the sources; i.e., by as- plant les sources ; c.-à-d. en supposant que les processus desuming that the (re)-transmission processes of the (re)-transmission des différentes sources sont mutuellementdifferent sources are mutually independent. This indépendants. Cette hypothèse permet de dériver des estimaassumptionallows one to derive explicit estimates tions explicites de la performance. Cette approche a été apofthe performance. This approach was for exam- pliquée, par exemple, par Bianchi pour analyser l’algorithmeple applied by Bianchi to analyze the IEEE 802.11 de la Fonction de Coordination Décentralisée IEEE 802.11Decentralized Coordination Function (DCF) algo- (FCD). Depuis, son utilisation est largement répandue pourrithm and since has been widely used to predict the la prévision de la performance de protocoles semblables.performance of similar protocols.À l’aide des techniques de champ moyen, nous montronsUsing mean field techniques, we prove that, for a que, pour un grand nombre d’algorithmes d’accès aléatoirewide range of random back-off algorithms, the de- de reprise, l’hypothèse de découplement est asymptotiquecouplingassumption is asymptotically exact as the ment exacte lorsque le nombre de sources augmente. Dans lenumber of sources grows. In the specific case of cas spécifique de l’algorithme exponentiel à reprise (le FCDexponential back-off algorithm (the DCF is based est basé sur cet algorithme), l’analyse du champ moyen fouronthis algorithm), the mean field analysis provides nit les distributions transitoires et stationnaires des processusthe transient and stationary distributions of the (re)- de (re)-transmission.transmission processes.[MS-98]Reversibility for diffusions via Quasi-invarianceLa réversibilité pour un processus de diffusion par le biais de la quasi-invarianceByron SCHMULAND, University of AlbertaMon sujet est la régularité de distributions réversibles pourprocessus de diffusion. Après une discussion du problèmedans l’espace euclidien, je me tourne vers la situation pluscomplexe du processus de Fleming-Viot. Nous montrons queles distributions réversibles son quasi-invariantes sous uncertain écoulement, forçant l’opérateur de mutation à satis-faire une identité de cocycle.My topic is the regularity of reversible distributionsfor diffusion processes. After discussing theproblem in Euclidean space, I turn to the morecomplex situation of the Fleming-Viot (measurevalued)process. We show that reversible distributionsare quasi-invariant under a certain flow, forcingthe mutation operator to satisfy a cocycle identity.SH = Somerville House SSC = Social Science Centre UC = University College

Mardi 30 mai • Tuesday, May 30, 10:15–11:45 109[MS-99]Catalytic Branching NetworksRéseaux avec branchement catalytiqueDonald DAWSON, Carleton UniversityWe consider a class of diffusion processes thatmodel catalytic branching, that is, a branching pro-Nous considérons une classe de processus de diffusion modélisantle branchement catalytique, c’est-à-dire un procescessin which the branching rate is enhanced by sus de branchement dans lequel le taux de branchement augthepresence of a catalyst. A catalytic branch- mente en présence d’un catalyseur. Un réseau de brancheingnetwork corresponds to a multitype system in ment catalytique correspond à un système à plusieurs typeswhich some types serve as catalysts for other types. où certains types servent de catalyseur pour d’autres. Les ré-Catalytic branching networks in which there are seaux de branchement catalytique où se trouvent des cyclesclosed cycles of catalytic types and catalytic sys- fermés de types catalytiques et des systèmes catalytiques distemsdistributed in space pose a number of chal- tribués dans l’espace posent plusieurs problèmes mathémalengingmathematical problems that will be dis- tiques difficiles dont nous discuterons. Ce travail fut en partiecussed. Parts of this work are joint with E.A. réalisé conjointement avec E.A. Perkins, T. Cox et A. Gre-Perkins, T. Cox and A. Greven.ven.Session 06F Mardi 30 mai • Tuesday, May 30, 10:15–11:45 SSC3006Classical StatisticsStatistique classique[MS-100]A Weighted Multivariate Sign Test for Cluster Correlated DataUn test pondéré des signes multivarié pour des données corrélées en grappesDenis LAROCQUE, HEC Montréal, Jaakko NEVALAINEN & Hannu OJA, University of TampereWe consider the multivariate location problem with Nous considérons le problème de position multivarié aveccluster correlated data. A family of multivariate des données corrélées en grappes. Une famille de tests desweighted sign tests are introduced for which ob- signes pondérés multivariés est proposée. La loi asymptoservationsfrom different clusters can receive dif- tique des statistiques de test est obtenue sous l’hypothèseferent weights. The asymptotic distribution of the nulle et sous une suite de contre-hypothèses locales multeststatistic is obtained under the null hypothesis tinormales. Les poids optimaux maximisant l’efficacitéand also for a local alternative model under mul- asymptotique de Pitman sont obtenus. Plusieurs approchestivariate normality. Optimal weights maximizing pour estimer ces poids sont présentées. Nous démontronsPitman asymptotic efficiency are provided. Sev- que l’utilisation de poids judicieux peut améliorer de maeralapproaches for estimating these weights are nière notable l’efficacité par rapport au test donnant un poidspresented. Using Pitman asymptotic efficiency, it égal à chaque observation.is shown that appropriate weighting can increasesubstantially the efficiency compared to a test thatgives the same weight to each cluster.SH = Somerville House SSC = Social Science Centre UC = University College

110 Mardi 30 mai • Tuesday, May 30, 10:15–11:45[MS-101]Inference of the Normal Correlation CoefficientInférence à propos du coefficient de corrélation de variables normalesYe SUN & Augustine WONG, York UniversityInference concerning the correlation coefficient oftwo random variables from the bivariate normalL’inférence liée au coefficient de corrélation de deux variablesaléatoires provenant d’une distribution normale bididistributionhas been investigated by many authors. mensionelle a été étudiée par de nombreux auteurs. En par-In particular, Fisher derived various forms of the ticulier, Fisher a trouvé différentes formes de la densité dudensity for the sample correlation coefficient and coefficient de corrélation échantillonal et a défini ce qui estFisher’s z-Transformation. Hotelling suggested maintenant connu comme la transformation z de Fisher. Hoseveralmodifications of Fisher’s methods to ob- telling a suggéré plusieurs modifications aux méthodes detain the confidence interval for the correlation co- Fisher afin d’obtenir un intervalle de confiance pour le coefefficient.However, inference for the correlation ficient de corrélation. Cependant, l’inférence liée au coefficoefficientis sometimes biased. In this paper, a cient de corrélation est parfois biaisée. Dans cet article, nouslikelihood based higher order asymptotic method proposons une méthode asymptotique d’ordre supérieur baisproposed to obtain confidence interval for the sée sur la vraisemblance permettant d’obtenir un intervallecorrelation coefficient. Simulation results indi- de confiance pour le coefficient de corrélation. Des résulcatedthat the proposed method is very accurate tats de simulation indiquent que la méthode proposée est trèseven when the sample size is small.précise, même en présence d’échantillons de petite taille.[MS-102]A Moment-based Percentile Approximation MethodologyUne méthodologie d’approximation des centiles basée sur les momentsHyung-Tae HA & Serge PROVOST, University of Western OntarioThe exact distributions of test statistics encounteredfor instance in multivariate analysis are ofteneither intractable or difficult to derive in closedforms. However, various distributional approximationscan be obtained from their moments or cumulants,which can usually be determined with relativeease. The proposed methodology which essentiallyconsists in expressing an approximate densityfunction as the product of an appropriate base densityand a polynomial whose coefficients are obtainedby matching moments, will be applied toseveral test criteria. It appears to be easier to implementthan those currently in use while providingpercentiles that are at least as accurate.La distribution exacte des statistiques de test rencontrées, parexemple, en analyse multivariée sont souvent soit insolubles,soit difficile à obtenir sous forme fermée. Néanmoins, plu-sieurs approximations distributionnelles peuvent être obte-nues à partir de leurs moments ou cumulants, qui peuventsouvent être facilement obtenus. La méthodologie proposée,qui consiste essentiellement à exprimer une densité approxi-mative sous forme d’un produit de la densité de base appro-priée et d’un polynôme dont les coefficients sont obtenus parégalisation des moments, est appliquée à plusieurs critères-tests. Elle semble être plus aisée à mettre en œuvre que cellesprésentement utilisées, tout en fournissant des percentiles aumoins aussi précis.SH = Somerville House SSC = Social Science Centre UC = University College

Mardi 30 mai • Tuesday, May 30, 10:15–11:45 111[MS-103]Statistical Inference for the Difference Between the Best Treatment Mean and a Control MeanInférence statistique sur la différence entre la moyenne du groupe avec le meilleur traitement et celle dugroupe contrôleChu-In LEE, Memorial University of Newfoundland, Jianan PENG, Acadia University, Lin LIU, University ofCalifornia at San DiegoIn many experiments researchers are interested incomparing several treatment means with a controlDans plusieurs expérimentations, les chercheurs sont intéressésà comparer plusieurs moyennes de traitement àmean. When there are some treatments signifi- une moyenne de contrôle. Lorsque certains traitements sontcantly better than the control, it is often of interest significativement meilleurs que le contrôle, il est souventto evaluate the difference between the best treament d’intérêt d’estimer la différence entre la meilleure moyennemean and the control mean and to identify the best de traitement et la moyenne de contrôle et d’identifier letreatment. In this talk we derive lower confidence meilleur traitement. Dans cette présentation, nous dérivonsbounds for the aforementioned difference for the les limites inférieures de confiance pour la différence mencasethat treatments are at least as effective as the tionnée ci-dessus pour le cas où les traitements sont au moinscontrol and for the case that no restriction is placed aussi efficaces que le contrôle et pour le cas où aucune resonthe treatment means and the control mean. Two triction n’est placée sur les moyennes de traitement et laefficient computation algorithms are proposed. Ex- moyenne de contrôle. Deux algorithmes efficaces de calculpected lower confidence bounds of the two proce- sont proposés. Des limites inférieures de confiance espéréesdures are compared with that of Dunnett’s proce- des deux procédures sont comparées à celles utilisées dans ladure. An application to a real life data is included. procédure de Dunnett. Une application à des vraies donnéesest incluse.[MS-104]Characterization of Distributions through Conditional Expectation of Functions of Generalized OrderStatisticsCaractérisation de distributions par le biais d’espérances conditionelles de fonctions de statistiques d’ordregénéraliséesAbdul KHAN, Aligarh Muslim University, IndiaLes statistiques d’ordre généralisées (SOG) introduites parKamps (J. Statist. Plan. Infer., 1995) incluent les statis-tiques d’ordre, les records et les statistiques d’ordre séquen-tielles comme cas particuliers. Dans cet article, une formegénérale de distribution continue est obtenue en considé-rant l’espérance conditionnelle de SOG, en conditionnantsur des SOG non-adjacentes. Des exemples variés et desconséquences quant aux caractérisations des distributionssont présentés, unifiant ainsi des résultats déjà connus re-latifs aux statistiques d’ordre, records et SOG.Generalized order statistics (GOS) introduced byKamps (J. Statist. Plan. Infer., 1995), contain orderstatistics, records, sequential order statistics, etc. asits particular cases. In this paper, a general formof continuous distribution is obtained by consideringconditional expectation of GOS conditioned onnon-adjacent GOS. Various examples and deductionson characterizations of distributions are discussed,thus unifying earlier known results on orderstatistics, records and GOS.SH = Somerville House SSC = Social Science Centre UC = University College

112 Mardi 30 mai • Tuesday, May 30, 10:15–11:45Session 06G Mardi 30 mai • Tuesday, May 30, 10:15–11:45 SSC3010Biostatistics in ActionBiostatistique en action[MS-105]An Index for Cultivar Resistance Based on Disease Progress CurvesUn indice pour la résistance du cultivar basé sur des courbes de progrès de maladieKenneth MCRAE & H.W. (Bud) PLATT, Agriculture & Agri-Food CanadaIn breeding programs for disease susceptible crops,the degree of resistance in new cultivars is com-Dans les programmes d’amélioration génétique pour les récoltessusceptibles à la maladie, suite à des tests sur le terparedwith the standard(s) in field trials. The spread rain, le degré de résistance de nouveaux cultivars peut êtreof a foliar disease depends on the inocula, tem- comparé au(x) standard(s) obtenus. La propagation d’uneperature and humidity which can change dramat- maladie foliaire dépend des inoculants, de la températureically during the growing period and from year- et de l’humidité qui peuvent changer nettement pendant lato-year. A robust index for cultivar resistance is période de croissance, et d’année en année. On proposeproposed. Estimation of the proportionality and un indice robuste pour mesurer la résistance du cultivar.onset parameters for individual cultivars are based L’estimation de la proportionnalité et des paramètres de déonweighted areas under an empirical, standardized part pour différents cultivars sont basées sur des surfacesdisease progress curve. Censoring of the disease pondérées sous une courbe empirique et normalisée de prorecordis considered. Originally developed for late grès de maladie. La censure sur le relevé de la maladie estblight in potato, the statistical method has potential considérée. Cette technique développée à l’origine pour lafor other crop-disease combinations.pomme de terre atteinte du mildiou, peut potentiellementêtre appliquée à d’autres combinaisons de récolte-maladie.[MS-106]Modeling Prostate Specific Antigen (PSA) Kinetics in Prostate Cancer Patients during SurveillanceModélisation de la cinétique de l’antigène spécifique de prostate (PSA) chez des patients sous surveillancesouffrant de cancer de prostateLiying ZHANG, Andrew LOBLAW & Laurence KLOTZ, Sunnybrook & Women’s College Health Sciences Centre,University of TorontoUne étude prospective de cohorte à une branche a été effectuéesur 231 patients souffrant du cancer de prostate. Le PSAà temps double (TD) a été utilisé pour stratifier les patientsà petit et grand risque de progression. Les cinétiques PSAdans les groupes ont été estimés par le modèle linéaire géné-ral mixte.Étant donné l’état des individus, des courbes pour un grandet un petit risque moyen ont été tracées avec un PSA etun TD moyen correspondant à 2,97 et 6,54 ans, respec-tivement. En appliquant la règle pronostique dynamiqueen combinaison avec la biopsie périodique, une décisionpour l’intervention basée sur le risque de progression a puêtre recommandée de façon optimale environ 2,3 ans aprèsl’observation initiale.A prospective single-arm cohort study was carriedout on 231 prostate cancer patients. PSA doublingtime (DT) was used to stratify patients into lowand high risks of progression. The PSA kinetics inthe groups were estimated by general linear mixedmodel.Given the baseline status of individuals, high andlow risk average curves were derived with correspondingaverage PSA DTs of 2.97 and 6.54 years,respectively. By applying the dynamic prognosticrule in combination with serial biopsy, a decisionfor intervention based on the risk of progressioncould be optimally recommended about 2.3 yearsafter the initiated surveillance.SH = Somerville House SSC = Social Science Centre UC = University College

Mardi 30 mai • Tuesday, May 30, 10:15–11:45 113[MS-107]Modeling Lung Disease and its Progression in a Chronic Obstructive Pulmonary Disease CohortModélisation d’une maladie pulmonaire et sa progression au sein d’une cohorte obstructive chroniqueLiqin XU & Marek SMIEJA, McMaster University, Lehana THABANE, McMaster University, Centre for Evaluation ofMedicines, St Joseph’s HealthcareChronic obstructive pulmonary disease (COPD) isa common, irreversible, slowly progressive lungLa maladie pulmonaire obstructive chronique (MPOC) estune affection pulmonaire fréquente, irréversible et lentedisease,usually associated with smoking and with ment progressive, habituellement liée au tabagisme et auxrespiratory infections. The objective of the study infections respiratoires. L’objectif de l’étude était d’étudierwas to investigate the association between lung l’association entre le fonctionnement des poumons et plufunctionand several patient characteristics that in- sieurs caractéristiques des patients qui incluent l’âge, leclude age, gender and height. This presentation sexe et la taille. Cette présentation discutera les résultats dewill discuss the results of analysis to model the re- l’analyse pour modéliser la relation entre le déclin du fonclationshipbetween lung function decline and age, tionnement des poumons et l’âge, le sexe, la taille, le tabagender,height, smoking and Chlamydia pneumo- gisme et l’infection Chlamydia pneumoniae. Nous companiaeinfection. We compare the results based on rons les résultats basés sur des équations d’estimations gégeneralizedestimating equations, random effects néralisées, des effets aléatoires et des modèles robustes deand robust regression models. We will also discuss régression. Nous discuterons également quelques résultatssome results based on different imputation methods basés sur différentes méthodes d’imputation pour manipulerto handle missing data.des données manquantes.[MS-108]A Meta-analysis on Bleeding and Cardiovascular OutcomesUne méta-analyse sur le saignement et les résultats cardiovasculairesJi CHENG, Jack SUN & Richard WHITLOCK, McMaster University, Lehana THABANE, Centre for Evaluation ofMedicines, St. Joseph Healthcare & McMaster UniversityDespite guidelines recommending that aspirin bediscontinued seven days prior to coronary bypassEn dépit des directives recommandant que l’absorptiond’aspirine soit cessée pendant sept jours avant un pontagesurgery, many cardiac surgeons continue to keep coronarien, beaucoup de chirurgiens cardiaques continuenttheir patients on aspirin until the day of surgery. à garder leurs patients sur l’aspirine jusqu’au jour de la chi-This may be due to conflicting evidence surround- rurgie. Ceci peut être dû aux preuves contradictoires entouingits effects. The objective of this study was rant ses effets. L’objectif de cette étude était d’accomplir uneto perform a systematic review and to summarize révision systématique et de récapituler la preuve sur l’effetthe evidence on the effect of preoperative ASA on de l’aspirine avant l’opération sur les conditions de saignebleedingand transfusion requirements in coronary ment et de transfusion durant la chirurgie. Dans cette prébypasssurgery. In this presentation, we discuss the sentation, nous discutons les résultats de la méta-analyse desresults of the meta-analysis of both RCT and non- études RCT et non-RCT en employant des approches à effetsRCT studies using both fixed and random-effects aléatoires et des approches à effets fixes pour déterminer lesapproaches to determine the relevant clinical end- critères d’évaluations cliniques pertinents.points.SH = Somerville House SSC = Social Science Centre UC = University College

114 Mardi 30 mai • Tuesday, May 30, 10:15–11:45[MS-109]Analyzing Long Term Hospitalization Records From an Administrative DatabaseAnalyse des dossiers d’hospitalisation d’une base de données administrativesShih-Wa YING & Gurbakhshash SINGH, Simon Fraser University, Mary MCBRIDE, BC Cancer AgencyHealth insurance administrative databases provideperson-based health information that can be used toLes bases de données administratives d’assurance-santéfournissent de l’information sur la santé des individus pouassessthe health care utilization of patients and to vant être utilisée pour évaluer l’utilisation de soins de santéidentify risk factors and evaluate their effects. This par les patients et pour identifier les facteurs de risque ettalk presents analysis of hospital utilization records évaluer leurs effets. Cet exposé présente une analyse defrom Health Insurance BC (Medical Service Plan) l’utilisation de dossiers d’hospitalisation d’enfants ayant surofchildhood cancer survivors. We explore sev- vécu au cancer de la « Health Insurance BC ». Nous exploeralmodels to analyze the data, regarding the time rons plusieurs modèles pour analyser les dossiers en ce qui ato the first hospital admission, the admission fre- trait à la date d’hospitalisation, la fréquence d’hospitalisationquency over time and the duration in hospital. et la durée des hospitalisations.Session 06H Mardi 30 mai • Tuesday, May 30, 10:15–11:45 SSC3014Censored DataDonnées censurées[MS-110]Smooth Nonparametric Quantile Regression with a Censored ResponseRégression non paramétrique lisse des percentiles avec réponse censuréeValérie ROY, Thierry DUCHESNE & Belkacem ABDOUS, Université LavalLes modèles paramétriques sont très souvent utilisés en estimationde percentiles conditionnels. Or, comme les postulatsne sont pas toujours vérifiés, le choix d’un modèle non pa-ramétrique est parfois préférable. Il peut également arriverque la variable réponse soit censurée.Dans cet exposé, nous nous intéressons aux méthodesd’estimation non paramétrique lisse de régression des per-centiles dans le cas où la variable réponse est censurée àdroite. Nous considérons trois estimateurs : un employantl’estimateur de Kaplan-Meier généralisé, un employant uneoptimisation pondérée par les poids Stute et un proposé parBowman & Wright. Les propriétés de ces estimateurs sontétudiées par voie de simulation et nous illustrons ces méthodesen les appliquant à un jeu de données.Parametric models are often used in conditionalquantile or distribution estimation. However, whenparametric assumptions are not verified, one mightprefer to use nonparametric inference. In some applications,it also happens that the response is censored.In this talk, we are interested in the smooth nonparametricestimation of regression quantiles whenthe response variable is subject to right-censoring.We consider three estimators: one based on thegeneralized Kaplan-Meier estimator, one that optimizesa loss function with weights proposed byStute and one proposed by Bowman and Wright.We investigate the properties of these estimatorsby simulation and we illustrate the methods witha data analysis example.SH = Somerville House SSC = Social Science Centre UC = University College

Mardi 30 mai • Tuesday, May 30, 13:15–14:15 115[MS-111]Improving the Estimation of Kendall’s tau when Censoring Affects Only One of the VariablesAmélioration de l’estimation du tau de Kendall lorsque la censure n’affecte qu’une seule des deux variablesDavid BEAUDOIN, Thierry DUCHESNE & Christian GENEST, Université LavalThis session considers the estimation of Kendall’stau for bivariate data (X, Y) when only Y is sub-Cette présentation considère l’estimation du tau de Kendallen présence de données bivariées (X, Y) où seulement Y estject to right-censoring. The estimators proposed sujette à la censure à droite. Les estimateurs proposés parby Brown et al. (1974), Weier & Basu (1980) and Brown et al. (1974), Weier & Basu (1980) et Oakes (1982)Oakes (1982), which are standard in this context, ne sont pas convergents lorsque le tau de Kendall est difféfailto be consistent when tau is different from rent de zéro puisqu’ils n’utilisent que l’information contezerobecause they only use information from the nue dans les lois marginales. Wang & Wells (2000) ont étémarginal distributions. Wang & Wells (2000) were les premiers à proposer un estimateur qui tient compte dethe first to propose an estimator which accounts for l’information conjointe. Quatre nouveaux estimateurs utilijointinformation. Four more are developed here sant l’information fournie par la variable X sont proposésto account for information provided by X. Simu- dans cet exposé. Des simulations démontrent que les noulationsshow that the new estimators perform sig- veaux estimateurs sont supérieurs à ceux mentionnés ci-haut.nificantly better than the existing ones mentionedabove.[MS-112]A Nonparametric Two Sample Test for Bivariate Right Censored DataUn test non paramétrique pour données bidimensionnelles censurées à droiteShojaeddin CHENOURI, University of WaterlooDans cet exposé, nous proposons un test asymptotiquementnon paramétrique pour tester l’égalité de deux distributionsde temps d’évènements bidimensionnels basé sur des ob-servations aléatoirement censurées à droite. La statistiquede test est définie en utilisant la notion de profondeur desdonnées. La profondeur est une mesure de la centralité d’unpoint par rapport à un nuage de points ou une distribution, etelle introduit un classement partant du centre des données.In this talk, we will propose an asymptotically distributionfree test for testing the equality of twobivariate time-to-event distributions based on randomlyright censored observations. The test statisticis defined by using the notion of data depth.Data depth is a measure of how deep or central agiven point is with respect to a given data cloud ordistribution, and it introduces a center outward orderingof data.Session 07A Mardi 30 mai • Tuesday, May 30, 13:15–14:15 SH3345Isobel Loutit Invited Address on Business and Industrial StatisticsAllocution Isobel Loutit sur la statistique industrielle et de gestion[MS-113]The Challenges of Statistical LeadershipLes défis du leadership en statistiqueGeoff VINING, Virginia TechThis talk discusses what we mean by statisticalleadership, the several forms of statistical leader-Cet exposé traite de ce que nous entendons par « leadershipstatistique », des différentes formes de leadership statistique,ship, and the challenges that we face, particularly et des défis auxquels nous devons faire face, particulièrementwithin industrial statistics. Much of this talk is dans le domaine de la statistique industrielle. Cet exposé estSH = Somerville House SSC = Social Science Centre UC = University College

116 Mardi 30 mai • Tuesday, May 30, 13:15–14:45basé en grande partie sur plusieurs entrevues de dirigeantsd’entreprise chevronnés, et se terminera par plusieurs recom-mandations concrètes à l’intention des statisticiens intéres-sés par des positions de leadership.based on several interviews of senior corporate executives.It concludes with several concrete recommendationsfor statisticians interested in leadershiproles.Session 07B Mardi 30 mai • Tuesday, May 30, 13:15–14:45 SSC2024Spatial/Temporal Modelling for Marine Ecological SystemsModèles spatiaux/temporels dans les systèmes écologiques marins[MS-114]Data Needs and Challenges for Providing Ecosystem-based Advice for the Marine EnvironmentBesoin en données et défis reliés à l’établissement de conseils concernant l’écosystème de l’environnementmarinStephen SMITH, Bedford Institute of OceanographyThe Department of Fisheries and Oceans (DFO)is in the process of refocusing its scientific pro-Le ministère des Pêches et des Océans (MPO) est présentementà repenser son programme scientifique afin de segram to concentrate on providing ecosystem-based concentrer sur l’offre de services de consultation conceradviceon the impact of human activities. This nant l’écosystème et les l’impacts sur des activités humaines.work will involve the collection, analysis and un- Ce travail impliquera la collecte, l’analyse et la compréhenderstandingof complex data sets consisting ocean sion des données complexes sur les océans obtenues à parcharacteristicsfrom satellites and submersible ve- tir des satellites, des véhicules submersibles, des caractérishicles,seabed characteristics based upon multi- tiques de fonds marins obtenues par un sonar multifaisceaux,beam sonar and biological sampling not only from et par le prélèvement d’échantillons biologiques, non seuletraditionalsampling gear but also from video and ment par l’engin du pêche traditionnel, mais également parother types of images. These data sets all share the le truchement de film vidéo et d’autres types d’images. Cescommon attributes of consisting of high volumes of ensembles de données partagent tous les attributs communstemporal and spatial measurements of large num- suivants : des volumes importants de données temporelles etbers of variables with potential for missing data and spatiales, un grand nombre de variables, et potentiellementmeasurement errors. The Department’s change to de données manquantes et d’erreurs de mesure. Ce changeecosystemresearch and the complexity of the data ment de cap du Ministère vers des projets de recherche sursets being collected has already placed heavy de- les écosystèmes, ainsi que la complexité des données collecmandsupon our research staff for the development tées, ont déjà engendrés des investissements importants de laof and training on quantitative methods. In this talk part de notre personnel de recherche pour le développementI outline some of the challenges that will need to be des méthodes quantitatives et pour la formation. Dans cettefaced in terms of data management, survey design présentation, j’élabore sur certains des défis qui devront êtreand analysis for these types of data.relevés en termes de gestion des données, plans d’enquête etplans d’analyse pour ces types de données.[MS-115]State Space Approaches for Nonlinear Ecological ModelsApproches d’espace d’état pour les modèles écologiques non linéairesMichael DOWD, Dalhousie UniversityMarine ecological data are characterized by complexdependence structure, as well as sparsenesswith respect to the time and space scales that mustbe resolved. Statistical techniques for analysis of-Des données écologiques marines sont caractérisées par unestructure d’une dépendance complexe, aussi bien que par larareté en ce qui concerne les échelles de temps et d’espacequi doivent être résolues. Les techniques statistiques pourSH = Somerville House SSC = Social Science Centre UC = University College

Mardi 30 mai • Tuesday, May 30, 13:15–14:45 117l’analyse doivent souvent incorporer la des modèles de po-pulation ou d’écosystème régis par des équations différentiellesnon linéaires. Dans cette présentation, je discuterai del’estimation dépendante du temps de l’état et des paramètrespour de tels systèmes dynamiques stochastiques. Le modèlenon linéaire et non gaussien général de l’espace d’état four-nit le cadre, avec des méthodes Monte-Carlo séquentiellesrapportant des solutions basées sur l’échantillonnage. Desproblèmes dans la prévision écologique marine sont discutés.ten must incorporate population or ecosystem modelsgoverned by nonlinear differential equations.In this presentation, I will discuss time dependentestimation of the state and parameters for suchstochastic dynamic systems. The general nonlinearand non-Gaussian state space model providesthe framework, with sequential Monte Carlo methodsyielding sampling based solutions. Problemsin marine ecological prediction are discussed.[MS-116]Using Robust Hierarchical State Space Switching Models to Elucidate the Behaviour of Seals and Turtles atSeaUtilisation des modèles à changements de régime hiérarchiques d’espace d’état robustes pour élucider lecomportement des phoques et des tortues marinesRansom MYERS, Ian JONSEN, Greg BREED, Mike JAMES & Joanna FLEMMING, Dalhousie UniversityMême l’observateur le plus occasionnel des animaux noteraqu’ils ont des modes de comportement distincts, c.-à-d. ilsvont paître, ils cherchent de la nourriture, ils se reposent, etils émigrent. Ces modes de comportements changent avecle temps en réponse à des variations dans l’environnement.Le but de cette présentation est de fournir un cadre analy-tique à l’aide de modèles afin d’analyser ces comportements.Spécifiquement, nous modélisons des données obtenues parsatellite qui permettent d’identifier le passage des animaux.Nous utilisons un cadre d’espace d’état hiérarchique robustepour mettre en application des modèles de commutation.Avec l’arrivée récente de procédés de poursuites sophisti-qués, les grandes quantités de données qui décrivent claire-ment un tel comportement dans le temps et dans l’espacedeviennent disponibles. Nous montrons comment les mo-dèles de commutation espace-état peuvent être utilisés pouridentifier les comportements des phoques et des tortues ma-rines par des repères liés au satellite, ce qui est crucial pourla conservation de ces espèces. Cette approche permet auxécologistes d’étudier certaines questions qui pouvaient difficilementl’être avec les approches conventionnelles.Even the most casual observer of animals will noticethat they have distinct behavioural modes, i.e.,they forage, they search for food, they rest, they migrate.These behavioural modes change over timein response to environmental variation. The purposeof this talk is to provide a modeling frameworkto analyze such behaviour. Specifically, wemodel data from satellite tracks using a robusthierarchical state space framework to implementswitching models. With the recent advent of sophisticatedtacking methods large amounts of datathat clearly describe such behaviour in time andspace are becoming available. We show how statespaceswitching models can be used to identify behavioursof seals and marine turtles from satellitelinked tags that is crucial for the conservation ofthe species. This approach allows questions to beaddressed that were previously difficult for ecologistto formulate using conventional approacheswith such data.SH = Somerville House SSC = Social Science Centre UC = University College

118 Mardi 30 mai • Tuesday, May 30, 13:15–14:45Session 07C Mardi 30 mai • Tuesday, May 30, 13:15–14:45 SSC2050Statistical Methods in Computational GeneticsMéthodes statistiques en calculs génétiques[MS-117]Inferring Gene Regulation From Integrated Bayesian Analysis of Genomic Sequence and Expression DataInférer la régulation des gènes à partir de l’analyse bayésienne intégrée de données de séquençage etd’expression génomiqueMayetri GUPTA, Joseph IBRAHIM & Pingping QU, University of North Carolina at Chapel HillLe comportement de plusieurs gènes sous différentes conditionsexpérimentales est généralement analysé en groupantles données d’expression d’ARNm de micropuces en igno-rant les caractéristiques de séquence génomique. La dé-couverte informatique de motifs régulateurs (sites de liai-son) dans les séquences promotrices de gènes regroupés esttypiquement considérée comme une étude post-traitement.Cette approche pas-à-pas implique souvent la constructionde groupes sans justification biologique, ce qui mène à deserreurs en découverte de motifs. Nous présentons un nouveaucadre bayésien et une méthodologie pour simultané-ment régler le problème de la découverte de groupes degènes co-régulés et de motifs impliqués dans leur régulation.Nous étendons aussi cette approche à des études de profilaged’expression temporelle des gènes.The behavior of multiple genes under differentexperimental conditions is generally analyzed byclustering mRNA expression data from microarrays,ignoring genomic sequence features. Computationaldiscovery of regulatory motifs (bindingsites) in promoter sequences of clustered genes istypically considered a post-processing step. Thisstepwise approach often involves the constructionof biologically irrelevant clusters, in turn leadingto errors in motif discovery. We present a novelBayesian framework and methodology for simultaneouslyaddressing the problems of discoveringclusters of co-regulated genes, and motifs that areinvolved in their regulation. We also extend this approachto temporal gene expression profiling studies.[MS-118]Bayesian Analysis of ChIP-chip Experiments: Data, Questions and Partial AnswersAnalyse bayésienne d’expériences ChIP-chip : données, questions et réponses partiellesRaphael GOTTARDO, University of British ColumbiaThe advent of microarray technology has enabledbiomedical researchers to monitor changes in theL’avènement des micropuces a permis aux chercheurs biomédicauxd’observer les changement du niveau d’expressionexpression levels of thousands of genes. Until de milliers de gènes. Jusqu’à récemment, cependant, il étaitrecently, however, the mechanisms driving these difficile d’étudier les mécanismes causant ces changementschanges have been harder to study in a similarly dans un tel contexte de données à très haute fréquence. Unehigh-throughput level. A recent technological in- innovation technologique récente, l’immuno-précipitationnovation, chromatin immuno-precipitation (ChIP) de chromatine (ChIP) associée à une analyse de micropucescoupled with microarray (chip) analysis, hence the (chip) permet aux chercheurs d’identifier les régions d’unname ChIP-chip, now makes it possible for re- génome liées à des facteurs de transcription. Au cours desearchers to identify regions of a given genome that cet exposé, je présenterai un modèle hiérarchique bayésienare bound by transcription factors. During this talk, flexible et robuste permettant l’analyse de données ChIP-I will present a flexible and robust Bayesian hi- chip. Ce modèle incorpore la structure spatiale (dépendanceerarchical model for the analysis ChIP-chip data des sondes) du problème tout en tirant sa force de toutes lesthat incorporates the spatial structure (probe de- sondes.pendence) while borrowing strength from all theprobes.SH = Somerville House SSC = Social Science Centre UC = University College

Mardi 30 mai • Tuesday, May 30, 13:15–14:45 119[MS-119]Separating the Wheat from the Chaff: Statistical Methods for False Discovery ControlMéthodes statistiques pour le contrôle des fausses découvertesRadu CRAIU, University of Toronto, Shelley BULL, Samuel Lunenfeld Research Institute, Andrew PATERSON, Hospitalfor Sick Children, Toronto, Lei SUN, Departments of Public Health and Statistics, Hospital for Sick Children,TorontoLe problème des tests multiples est de plus en plus d’actualitéet important pour les recherches scientifiques. Dans lecontexte où le pouvoir des méthodes traditionnelles est di-minué, la méthode de contrôle de la proportion de faussesdécouvertes (PFD) représente un choix alternatif générale-ment utilisé. Je vais discuter la performance de la méthodede contrôle de la PFD quand on utilise l’information auxi-liaire pour stratifier les valeurs-p. Je prouverai que la PFDagrégée est une moyenne pondérée des PDF obtenues danschaque strate. Dans le contexte de la PDF fixée, je fourniraila condition pour que le nombre total espéré de vrais rejetspour l’approche PFD stratifiée soit plus grand que pour celeagrégée. Les idées seront illustrées avec des données géné-tiques.The multiplicity problem is increasingly relevantand important in many scientific studies. With thediminishing power of using the traditional controlof family-wise error rate (FWER), the use of falsediscovery rate (FDR) has become common in manyapplications. In this talk, I will investigate the performanceof false discovery control after a set ofp-values has been stratified based on auxiliary information.Under the fixed rejection region framework,I will demonstrate that the aggregated FDRis a weighted average of the stratified FDR. Underthe fixed FDR framework, I will provide the conditionunder which the expected total number ofcorrect rejections from the stratified FDR approachis greater than that from the aggregated FDR approach.I will illustrate the ideas with analyses ofmicroarray gene-expression data, pedigree data andgenome-wide association data.Session 07D Mardi 30 mai • Tuesday, May 30, 13:15–14:45 SSC3006Probability in High Dimensions and its ApplicationsProbabilités en dimensions élevées et leurs applications[MS-120]Local U-statistic Processes and the Estimation of Densities of Functions of Several Sample Variables: Ratesof Approximation in ProbabilityProcessus local de la statistique-U et estimation de densités de fonctions de plusieurs variablesindépendantes : taux d’approximation en probabilitéEvarist GINÉ, University of Connecticut, David M. MASON, University of DelawareIt is shown that the density of a function of morethan one sample can be approximated in probabilityIl est montré que la densité d’une fonction de plus d’unéchantillon peut être approximée en probabilité au taux paatthe parametric rate of the square root of n, when ramétrique de la racine carrée de n, quand l’écart est mesuréone measures the discrepancy in the sup norm or à l’aide de la norme sup ou de n’importe laquelle des normesin any of the L p norms, p between 1 and infin- L p , p entre 1 et l’infini. Plusieurs moments et inégalités exity.Several moment and exponential inequalities ponentielles pour les statistiques-U sont développés afin defor U-statistics are developed in order to prove the prouver les résultats indiqués. Ce travail est basé sur les trastatedresults. This work builds on previous work vaux de Frees (1994) et de Schick et Wefelmeyer (2004).by Frees (1994) and by Schick and Wefelmeyer(2004).SH = Somerville House SSC = Social Science Centre UC = University College

120 Mardi 30 mai • Tuesday, May 30, 13:15–14:45[MS-121]LIL for the Local U-Statistic Process with Application to the Strong Consistency of a Class of Kernel DensityEstimatorsLLI pour le processus local de la statistique-U avec application à la convergence forte d’une classed’estimateurs de densité par le noyauDavid MASON, University of Delaware, Evarist GINÉ, University of ConnecticutLe processus local de la statistique-U est basé sur un estimateurde la densité d’une fonction de plusieurs variablesi.i.d. proposé par Frees (1994). Des lois du logarithme itérépour le processus local de la statistique-U sont discutées et ils’avère qu’elles sont directement applicables à la détermina-tion des taux exacts de la convergence uniforme des taillesde fenêtre dans les normes sup et L p pour ces estimateursde densité. Les inégalités de probabilité et les limites de mo-ment pour les processus-U qui ont été développés pour éta-blir ces lois seront également décrites.The local U-statistic process is based upon an estimatorof the density of a function of several i.i.d.variables proposed by Frees (1994). Laws of theiterated logarithm for the local U-statistic processare discussed and are shown to be directly applicableto the derivation of exact rates of uniformin bandwidth consistency in the sup and in the L pnorms for these density estimators. The probabilityinequalities and moment bounds for U-processesthat were developed to establish these laws willalso be described and should be of separate interest.[MS-122]Bahadur-Kiefer Theory for Weakly and Strongly Dependent SequencesThéorie de Bahadur-Kiefer pour séquences faiblement et fortement dépendantesRafal KULIK, Carleton UniversityI would like to discuss recent developments concerningBahadur-Kiefer theory for sample quantilesin case of weakly and strongly dependent linearprocesses. In the first case, we will obtain theBahadur-Kiefer representation (with optimal rates)for a large class of linear processes. In the lattercase, the optimal rates are established (as far as Iknow) for the first time. An idea is based on socalled reduction principle for empirical processes(see Ho and Hsing, Ann. Probab. 1996). In particular,with help of the Bahadur-Kiefer theory I willshow that for quantile processes we do not have areduction principle which mirrors the one for theempirical processes. It provides the negative answerto the question posed in Ho and Hsing paper.J’aimerais parler de développements récents concernant lathéorie Bahadur-Kiefer sur les quantiles échantillonnaux enprésence de processus linéaires faiblement ou fortement dé-pendants. Dans le premier cas, nous obtenons la représentationde Bahadur-Kiefer (avec taux optimaux) pour unegrande classe de processus linéaires. Dans le second cas, lestaux optimaux sont établis (d’après ce que nous savons) pourla première fois. Une idée est basée sur le principe dit de ré-duction pour processus empiriques (voir Ho et Hsing, Ann.Probab. 1996). En particulier, avec l’aide de la théorie deBahadur-Kiefer, je montre que pour les processus de quan-tiles nous n’avons pas de principe de réduction similaire àcelui pour les processus empiriques. Ceci nous apporte uneréponse négative à la question posée dans l’article de Ho etHsing.SH = Somerville House SSC = Social Science Centre UC = University College

Mardi 30 mai • Tuesday, May 30, 13:15–14:45 121Session 07E Mardi 30 mai • Tuesday, May 30, 13:15–14:45 SSC3018Innovative Teaching in Probability and StatisticsEnseignement innovateur en probabilités et statistique[MS-123]Use of Simulation in the Teaching of Non-specialistsUtilisation de simulations dans l’enseignement pour non-spécialistesPaul COREY, University of TorontoSimulation has a long history with an early famousexample being the resampling carried out byLa simulation a une longue histoire et a débuté avec unexemple célèbre, celui du rééchantillonnage réalisé parWilliam Seally Gossett in his famous 1908 paper William Seally Gossett dans son célèbre article (1908) introintroducingStudent’s t ratio for comparing means. duisant le ratio t de Student pour comparer des moyennes.He re-sampled from a collection of prisoner finger Il a ré-échantillonné des longueurs à partir d’une collectionlengths. Simulation in applied statistical research de longueurs de doigts de prisonniers. La simulation dans lais used to verify whether optimal asymptotic prop- recherche statistique appliquée est utilisée pour vérifier si leserties of estimators exist for small samples. This propriétés asymptotiques optimales des estimateurs existenttalk demonstrates the value of using simulation for pour de petits échantillons. Cette présentation démontre lateaching biostatistics to the non-specialist. One valeur d’employer la simulation pour l’enseignement de laexample involves the comparison of small sample biostatistique au non-spécialiste. Un exemple implique laproperties of Student’s t test and the randomization comparaison des propriétés du test t de Student d’un petittest in the comparison of two independent sample échantillon et le test de randomisation dans la comparaisonmeans.des moyennes de deux échantillons indépendants.[MS-124]The Education of UsL’éducation des nôtresJim STALLARD, University of CalgaryRecent advances in Statistical Education havespawned a variety of innovative and exciting pedagogicalapproaches that can be implemented intoany undergraduate course in statistics—spanningfirst-year service courses to fourth-year courses inprobability theory. Many of these methods are implementedin a student-centered learning environment,focusing on experiential learning and authenticassessment. In this presentation, I will brieflyoutline some of these teaching models and methodsthat have been recently (and successfully) adoptedby members of the Statistics Division at the Universityof Calgary.Des progrès récents dans le domaine de l’éducation statistiqueont permis l’apparition de toute une variété de nou-velles approches pédagogiques pouvant être mises en placedans n’importe quel cours sous-gradué en statistique – al-lant des cours appliqués de première année aux cours dethéorie des probabilités de quatrième année. Plusieurs deces méthodes ont été mises en place dans un environne-ment d’apprentissage centré sur l’étudiant, mettant l’accentsur l’apprentissage expérimental et l’évaluation authentique.Dans cette présentation, je survole brièvement certains deces modèles d’enseignement et des méthodes, utilisés ré-cemment (et avec succès !), adoptés par les membres de la« Statistics Division » de l’Université de Calgary.SH = Somerville House SSC = Social Science Centre UC = University College

122 Mardi 30 mai • Tuesday, May 30, 13:15–14:45[MS-125]An Integrated Computer Aided Approach to Teaching Introductory StatisticsUne approche intégrée assistée par ordinateur pour enseigner la statistique de basePaul CABILIO, Acadia UniversityLe défi dans l’enseignement des cours de statistiques de baseet de probabilité est de trouver des moyens d’engager les étu-diants plus entièrement dans le processus d’apprentissage.Nous espérons que les résultats d’un tel engagement au-ront comme conséquence une compréhension plus profondedes idées fondamentales de la statistique. Dans cette pré-sentation, je présenterai les différentes stratégies que nousavons utilisées à Acadia pendant la dernière décennie pouratteindre ce but. Au cœur de notre approche se trouvel’intégration des présentations en classe et des laboratoiresd’enseignement. L’informatique joue un rôle important dansla livraison des deux composants.The challenge in teaching introductory statisticsand probability courses is to find ways to engagestudents more fully in the learning process. Thehope is that the outcomes of such engagement willresult in a deeper understanding of the fundamentalideas of statistics. In this talk I will present someof the evolving strategies that we have employedat Acadia over the last decade to achieve this end.At the core of our approach lies the integration ofclass presentations and studio labs in teaching. Thecomputer plays an important role in the delivery ofboth components.Session 07F Mardi 30 mai • Tuesday, May 30, 13:15–14:45 UC85Joint Modelling of Longitudinal and Survival Data and Applications in Cancer PatientsModélisation conjointe de données longitudinales et de survie et applications aux patientsatteints de cancer[MS-126]Multivariate Modeling of Longitudinal Data and Survival Data with Application to Pediatric Cancer StudyModélisation multivariée de données longitudinales et de survie, avec une application à l’étude du cancerpédiatrique.Deo Kumar SRIVASTAVA, Shesh N. RAI, Lijun ZHANG, James M. BOYETT & Sean PHIPPS, St. Jude Children’s ResearchHospitalWe briefly describe a longitudinal study of pediatriccancer patients involving bone marrow trans-Nous décrivons brièvement une enquête longitudinale sur lecancer pédiatrique avec transplantation de moelle osseuse oùplants who are followed for quality of life mea- la qualité de vie (processus de réponse) est mesurée pendantsures (response process) during and immediately et immédiatement après le traitement. Dans cette enquête, leafter the cancer treatment. In this study longitudi- suivi longitudinal est incomplet chez une proportion signifinalfollow-ups are incomplete on a significant pro- cative des patients pour différentes raisons. Par exemple, lesportion of patients due to many reasons. For ex- données liées au processus de réponse sont manquantes pourample, data related to response process are missing cause de conflit d’horaire ou de mort du patient. Les dondueto scheduling conflict or due to death. Data nées manquantes dues à la mort (processus d’observation)missing due to death (observation process) can- ne peuvent être traitées comme aléatoires. Nous modélisonsnot be treated as random. We model these two donc ces deux processus conjointement. Les propriétés deprocesses jointly. We study the properties of our notre méthode sont analysées par le biais de simulationsmethod through a simulation study and also apply et nous l’appliquons pour une enquête sur le cancer pédiathisto the pediatric cancer study.trique.SH = Somerville House SSC = Social Science Centre UC = University College

Mardi 30 mai • Tuesday, May 30, 13:15–14:45 123[MS-127]Regression Analysis of Longitudinal Data with Informative Observation and Follow-up TimesAnalyse par régression de données longitudinales en présence d’observations informatives et des temps desuiviJianguo (Tony) SUN, Xingwei TONG & Xin HE, University of MissouriCet exposé considère l’analyse statistique d’enquêtes longitudinales.Dans ce cas, trois processus sont généralement im-pliqués : le processus longitudinal d’intérêt, un processus desurvie représentant le temps d’arrêt ou d’abandon des sujetsde l’enquête, et un processus ponctuel représentant les mo-ments où le processus est observé. Plusieurs méthodes ontété proposées pour l’analyse d’enquêtes où, sachant des co-variables, les trois processus sont indépendants, ou les deuxpremiers sont indépendants du troisième. Dans cet exposé,nous nous concentrons sur la situation où les trois processuspeuvent être liés et nous proposons quelques approchesd’analyse.This talk considers statistical analysis of longitudinalstudies. In this case, three processes are usuallyinvolved and they are the longitudinal process ofinterest, a survival process representing the stop ordropout time of study subject, and a point processrepresenting observation time points. Many methodshave been proposed for the analysis of thesestudies when the three processes are independentof each other given covariates or the first two areindependent of the third process given covariates.In this talk, we will focus on the situation where allthree processes may be related and some analysisapproaches are discussed.[MS-128]Gap Time Analysis of Longitudinal Data with the Application to Cancer StudiesAnalyse des temps d’intervalle pour des données longitudinales avec une application aux études sur le cancerDo-Hwan PARK, University of Nevada-Reno, Liuquan SUN, Chinese Academy of SciencesThis talk discusses the analysis of a special typeof longitudinal data in which the response variableis the count of occurrences of a recurrent event.Specifically, it is assumed that one is interestedin the gap time between the occurrences, but onlylongitudinal data are available. For the analysis,the use of the additive hazards model is investigatedand an estimating equation approach is presentedfor estimation of regression parameters. Theasymptotic and finite sample properties of the proposedparameter estimates are established and theapproach is applied to a cancer study.Cette présentation porte sur l’analyse d’un type particulier dedonnées longitudinales où la variable réponse est le nombrede réalisations d’un événement récurrent. Plus spécifiquement,nous supposons que la variable d’intérêt est le tempsentre chacune des réalisations, mais que nous ne disposonsque des données longitudinales. Pour l’analyse, nous nousintéressons au modèle de risques additifs et nous présen-tons une approche par équation estimatrice pour l’estimationdes paramètres de régression. Nous établissons les proprié-tés, asymptotiques et avec échantillons finis, des estimationsparamétriques proposées et appliquons cette approche à uneétude sur le cancer.SH = Somerville House SSC = Social Science Centre UC = University College

124 Mardi 30 mai • Tuesday, May 30, 13:15–14:45Session 07G Mardi 30 mai • Tuesday, May 30, 13:15–14:45 SSC3014Tail Behaviour and Elliptically Contoured DistributionsComportement des ailes et distributions à contours elliptiques[MS-129]A Simulation Study of the GMM and the Second-order Least Squares Estimators in Nonlinear ModelsUne étude de simulation pour les estimateurs MMG et des moindres carrés du second ordre sous desmodèles non linéairesTaraneh ABARIN, University of ManitobaLa méthode des moments généralisée (MMG) est une techniqued’estimation largement appliquée en présence, entreautres, de modèles de régression non linéaire. Wang etLablanc (2005) ont étendu la méthode d’estimation parmoindres carrés ordinaire en incluant, dans la fonction cri-tère, la distance entre le carré de la variable réponse et sondeuxième moment conditionnel. Il a été montré que cet es-timateur, appelé estimateur des moindres carrés de secondordre (EMCS), est généralement asymptotiquement plus ef-ficace que l’estimateur des moindres carrés ordinaire. Cetteétude de simulation compare l’EMCS et l’estimateur MMGsous différents modèles de régression non linéaire.The Generalized Method of Moments (GMM) isa widely applied estimation technique in nonlinearregression models and many other setups. Wangand Leblanc (2005) extended the ordinary leastsquares estimation method by including in the criterionfunction the distance of the squared responsevariable to its second conditional moment. This socalledsecond-order least squares estimator (SLSE)has been shown to be asymptotically more efficientthan the ordinary least squares estimator in general.This simulation study compares the SLSE with theGMM estimator for various nonlinear regressionmodels.[MS-130]Robust Prediction Error Criterion for Pareto Modeling of Upper TailsUn critère robuste de prévision pour la modélisation Pareto des ailes supérieuresDebbie DUPUIS, HEC Montréal, Maria-Pia VICTORIA-FESER, Université de GenèveEstimation of the Pareto tail index from extreme orderstatistics is an important problem in many settings:income distributions, finance, and insurance.The upper tail of the distribution, where data aresparse, is typically fitted with a model such as thePareto model from which probabilities associatedwith extreme events are deduced. The success ofthis procedure relies heavily not only on the choiceof the estimator for the Pareto tail index but also onthe procedure used to determine the number of extremeorder statistics used for the estimation. Wedevelop and investigate a robust prediction errorcriterion.L’estimation de l’indice de Pareto à partir des statistiquesd’ordre extrêmes est un problème important dans plu-sieurs disciplines : les distributions de revenu, la financeet l’assurance. L’aile supérieure de la distribution, où lesdonnées sont rares, est souvent ajustée par un modèle tel quele modèle de Pareto. Les probabilités des événements ex-trêmes sont ensuite calculées à partir de ce dernier. Le suc-cès de cette procédure dépend beaucoup non seulement duchoix de l’estimateur de l’indice, mais aussi de la procédureutilisée pour déterminer le nombre de statistiques d’ordreextrêmes incluses dans l’estimation. Nous développons etexaminons un critère robuste de prévision.SH = Somerville House SSC = Social Science Centre UC = University College

Mardi 30 mai • Tuesday, May 30, 13:15–14:45 125[MS-131]On the Extreme Behaviour of Continuous Bivariate Elliptical DistributionsLe comportement extrême des distributions elliptiques bidimensionelles continuesAlexandru ASIMIT & Bruce JONES, University of Western OntarioThe elliptical class of distribution functions hasbeen widely studied recently with applications inLa classe des distributions elliptiques a été récemment étudiéeà travers diverses applications en actuariat, en éconoactuarialscience, economics and finance. Under mie et en finance. Sous certaines conditions de régularité,some regularity conditions, the continuous bivari- les distributions elliptiques bidimensionnelles continues perateelliptical distributions allow some explicit com- mettent le calcul explicite des indices de variation régulièreputations of the indexes of regular variation for the pour les distributions marginales, ce qui est suffisant pourmarginal distributions, which are sufficient for ex- une analyse des comportements extrêmes. Cette étude esttreme behavior analysis. The study is motivated by motivée par Hult, H. et Lindskog, F. (2002) « MultivariateHult, H. and Lindskog, F. (2002) “Multivariate Ex- Extremes, Aggregation and Dependence in Elliptical Distritremes,Aggregation and Dependence in Elliptical butions », Adv. Appl. Prob., 2002, 34.Distributions,” Adv. Appl. Prob., 2002, 34.[MS-132]Estimation of Parameters of the Simple Multivariate Linear Model with Student-t ErrorsEstimation des paramètres du modèle linéaire multivarié simple avec des erreurs t de StudentShahjahan KHAN, University of Southern Queensland, A K Md Ehsanes SALEH, Carleton UniversityL’estimation de la constante et des pentes du modèle linéairemultivarié avec des erreurs t de Student en présenced’information a priori incertaine sur la valeur du vecteur despentes est considérée. Les estimateurs de maximum de vrai-semblance sans contraintes, avec contraintes, test prélimi-naire, rétrécissement et rétrécissement à valeur positive sontdéfinis pour les paramètres du modèle. Les expressions dubiais, biais quadratique, risque quadratique et le carré moyendes erreurs (cme) des estimateurs sont calculés. L’efficacitédes estimateurs sous différents critères et conditions sontcouvertes. La dominance uniforme de l’estimateur par ré-trécissement à valeur positive sur les autres estimateurs estnotée sous le critère de risque quadratique.Estimation of the slope and intercept parameters ofthe multivariate linear model with Student-t errorsin the presence of uncertain prior information onthe value of the slope vector is considered. Theunrestricted maximum likelihood, restricted, preliminarytest, shrinkage, and positive-rule shrinkageestimators are defined for the parameters of themodel. The expressions for the bias, quadratic bias,quadratic risk and mean squared errors (mse) of theestimators are derived. The performance of the estimatorsunder different criteria and conditions arecovered. The uniform dominance of the positiveruleshrinkage estimator over the other estimatorsis noted under the quadratic risk criteria.[MS-133]On Small Area Estimation Under a Sub-area Level ModelL’estimation de petites régions à l’aide d’un modèle défini pour les sous-régionsMahmoud TORABI & J.N.K. RAO, Carleton UniversityAn extension of the Fay and Herriot (1979) arealevel model to sub-area level is introduced. Em-Une extension du modèle de Fay et Herriot (1979) pourles domaines est présentée pour des sous-domaines. Lespirical best linear unbiased prediction (EBLUP) of meilleures prévisions linéaires empiriques sans biaissub-area level and area level means are obtained (MPLESB) des moyennes au niveau des domaines et desby replacing the unknown model variances in the sous-domaines sont obtenues en remplaçant les variancesBLUP by suitable estimators, using an iterative inconnues du modèle dans le MPLESB par les estimateursmethod of estimating the model variances based appropriés, en utilisant une méthode itérative pour estimerSH = Somerville House SSC = Social Science Centre UC = University College

126 Mardi 30 mai • Tuesday, May 30, 13:15–14:45on weighted residual sum of squares. We obtain les variances du modèle basée sur la somme des carrés résecondorder approximations to the mean squared siduelles pondérées. Nous obtenons des approximations deerror (MSE) of the model-based small area estima- second ordre à l’erreur quadratique moyenne (EQM) destors and then derive MSE estimators unbiased to estimateurs du modèle basé sur un petit domaine et puissecond order. A small simulation on the perfor- dérivons des estimateurs sans biais de l’EQM au deuxièmemance of the proposed estimators is also provided. ordre. Une petite simulation sur la performance des estima-Key Words: Best linear unbiased prediction; Fay- teurs proposés est également fournie.Herriot model; Linear mixed models; Mean squared Mots clés : La meilleure prévision linéaire sans biais ; moerror;Variance componentsdèle Fay-Herriot ; Modèles mixtes linéaires ; erreur quadratiquemoyenne ; Composants de la varianceSession 07H Mardi 30 mai • Tuesday, May 30, 13:15–14:45 UC222Dependence, Scores and ApplicationsDépendance, cotes et applications[MS-134]Estimating Intraclass Correlation Coefficients from the Class of Elliptically Contoured DistributionsEstimation des coefficients de corrélation intraclasse pour la famille des distributions à courbes de niveauelliptiquesSohail KHAN & S. Ejaz AHMED, University of WindsorIn this talk, we showcase inference tools for the intraclasscorrelation coefficients from several ellipticaldistributions. The class of elliptical distributions,which includes the more familiar normal distribution,provides flexibility in modeling the thicknessof tails or extremes that are becoming commonlyimportant in many fields. Further, besidesthis flexibility, it preserves several properties of thenormal distribution.We suggest a general result that allows us to combinedata from various different sources to improvethe efficiency of the estimators within the context ofintraclass correlation analysis. Asymptotic propertiesof the proposed estimators are investigated bothanalytically and computationally. A Monte Carlosimulation study is also conducted to assess theperformance of the suggested estimators for moderateand large samples. An empirical example illustratesthe usefulness of this inferential procedurein practice.Dans cet entretien, nous présentons des outils d’inférencepour les coefficients de corrélation intraclasse de plusieursdistributions elliptiques. La classe des distributions ellip-tiques, qui inclut la distribution normale, fournit de la flexi-bilité en modélisant l’épaisseur des ailes ou les valeurs ex-trêmes qui deviennent de plus en plus importantes dans beau-coup de domaines. En plus de cette flexibilité, elle préserveplusieurs propriétés de la distribution normale.Nous présentons un résultat général permettant de combinerdes données de sources différentes dans le but d’améliorerl’efficacité des estimateurs dans le contexte de l’analyse decorrélation intraclasse. Les propriétés asymptotiques des es-timateurs proposés sont étudiées analytiquement et numé-riquement. Une étude de simulation Monte Carlo est éga-lement menée pour évaluer la performance des estimateurssuggérés dans le cas de moyens et grands échantillons. Unexemple illustre l’utilité de la procédure en pratique.SH = Somerville House SSC = Social Science Centre UC = University College

Mardi 30 mai • Tuesday, May 30, 13:15–14:45 127[MS-135]Estimating Kendall’s tau Under Bivariate CensoringEstimation du tau de Kendall à partir de données censuréesLajmi LAKHAL-CHAIEB, University of Waterloo, Louis-Paul RIVEST & David BEAUDOIN, Université LavalWe investigate the nonparametric estimation ofKendall’s tau for meseasuring the association be-On considère l’estimation non paramétrique du tau deKendall mesurant l’association entre deux variables aléatweentwo random variables under bivariate cen- toires censurées. L’estimateur propose est une modificasoring.The proposed estimator is a modifica- tion de celui propose par Oakes (1982) en utilisant unetion of the estimator proposed by Oakes (1982), correction du type Horvitz-Thompson pour les paires orusingan Horvitz-Thompson-type correction for derables. Pour les données variées censurées, une pairethe orderable pairs. Under bivariate censoring, a de points est dite orderable si on peut déterminer son stapairis orderable if one can establish the concor- tut de concordance/discordance à partir des données obdance/discordancestatus of the original pair using servées. On montre que notre estimateur est convergent etthe observed data. Our estimator is shown to be possède une distribution asymptotique normale. Les simulaconsistentand asymptotically normally distributed. tions montrent que les performances de l’estimateur proposéA simulation study shows that the proposed estima- sont meilleures que celles des estimateurs existants, sous destor performs well compared with competing alter- conditions de censure simplifiées. On illustre les différentesnatives. The various methods are illustrated with méthodes avec l’analyse de deux jeux de données réels.two real data sets.[MS-136]Analysis of Quality of Life Data (QoL) from Cancer Clinical Trials based on Item Response TheoryAnalyse de mesures de qualité de vie (QdV) d’essais cliniques basées sur la théorie de réponse aux itemsMiao WANG, Dongsheng TU & Deb FELDMAN-STEWART, Queen’s UniversityQoL is an important endpoint in the comparisonof cancer treatments in clinical trials and also use-La QdV est un important critère d’évaluation dans la comparaisonde traitements pour le cancer en essais cliniques.ful for helping patients determine their treatment Elle est aussi utile pour aider les patients à déterminer leurspreferences. Traditionally, the classical test theory préférences relatives aux traitements. Traditionnellement, la(CTT) is adopted to calculate scores for a given théorie classique des tests (TCT) est adoptée pour calculerQoL scale but CTT scores are sample dependent les scores d’une échelle donnée de QdV, mais les scores TCTand, therefore, the results derived from these scores sont dépendants de l’échantillon, rendant difficile la généramaynot be generalizable across different patient lisation des résultats obtenus à partir de ces scores à diffépopulations.In this presentation, models based rentes populations de patients. Dans cette présentation, deson the item response theory are applied to analyze modèles basés sur la théorie de réponse dans les items sontthe QoL data from two clinical trials conducted by appliqués à l’analyse de données de QdV provenant de deuxthe NCIC Clinical Trials Group and the results are essais cliniques conduits par le NCIC Clinical Trials Groupcompared from those based on CTT.et les résultats sont comparés à ceux basés sur la TCT.SH = Somerville House SSC = Social Science Centre UC = University College

128 Mardi 30 mai • Tuesday, May 30, 13:15–14:45[MS-137]Self Reported Risk for Drug Related Problems in Ambulatory Elderly Patients Referred for Family PracticePharmacist AssessmentLe risque auto rapporté des problèmes reliés à la médication de patients âgés référés pour une évaluationd’un pharmacien de famille praticienMahbubul HAQ, Centre for the Evaluation of Medicines (Hamilton, Ontario), Lisa DOLOVICH, Centre for theEvaluation of Medicines, Leslie Dan Faculty of Pharmacy (University of Toronto), Pharmacy Department (St.Joseph’s Healthcare, Hamilton, Ontario), Department of Clinical Epidemiology and Biostatistics (McMasterUniversity, Hamilton, Ontario), Department of Family Medicine (McMaster University, Hamilton, Ontario), LisaMCCARTHY, Centre for the Evaluation of Medicines (Hamilton, Ontario), Janusz KACZOROWSKI, Centre for theEvaluation of Medicines (Hamilton, Ontario), Department of Clinical Epidemiology and Biostatistics (McMasterUniversity, Hamilton, Ontario), Department of Family Medicine (McMaster University, Hamilton, Ontario),Lehana THABANE, Centre for the Evaluation of Medicines (Hamilton, Ontario), Department of ClinicalEpidemiology and Biostatistics (McMaster University, Hamilton, Ontario)Mechanisms to help clinicians and patients identifymedication related risk can reduce drug relatedLes mécanismes pour aider des cliniciens et des patients àidentifier le risque relié à la médication peuvent réduire lesproblems. The objectives of this study were to de- problèmes reliés aux médicaments. Les objectifs de cettetermine the risk for drug related problems based étude étaient de déterminer le risque pour des problèmes reonpatient self-report using a structured tool and liés au médicament basé sur l’auto-évaluation du patient àto identify patient characteristics associated with l’aide d’un outil structuré et d’identifier des caractéristiquesthis risk in elderly ambulatory patients. In this du patient liées à ce risque pour des patients âgés. Dans cettepresentation we discuss a cross sectional analysis présentation nous discutons une analyse transversale qui athat was conducted with consecutive patients re- été conduite avec les patients référés pour des évaluationsferred for pharmaceutical care assessments who de soins pharmaceutiques, patients qui ont complété euxself-completedthe previously validated 10-item mêmes le Questionnaire de Risques de Médicaments com-Medication Risk Questionnaire (MRQ, scored 0– posé de 10 items (QRM). Des analyses de régression mul-10). Multivariable regression analyses used MRQ tiple, avec les scores QRM utilisés comme variable dépenscoreas the dependent variable and age, gender, dante et l’âge, le genre, le SF-12, le nombre de médicamentsSF-12, number of medications and medical condi- et les conditions médicales en tant que variables indépentionsas independent variables.dantes.[MS-138]Sleepiness in Adolescence: A Survey of 3200 Canadian StudentsSomnolence chez les adolescents : une enquête sur 3200 étudiants canadiensMi YAN, University of Waterloo, Edward GIBSON, Lehana THABANE & A.C. Peter POWLES, McMaster University,Susan O’BRIEN, Ancaster High School, Danielle Sirriani MOLNAR, Brock UniversitySleepiness is a serious problem in adolescents,which can negatively impact teenage students’ be-La somnolence est un problème sérieux pendant l’adolescence,qui peut affecter négativement les étudiants adoleshaviours,impede their cognitions and reduce their cents, leurs comportements, réduire leur capacité d’apprenactivities;however, neither education nor health dre et réduire leurs activités ; cependant, ni le système d’éducaresystems in Canada are aware of this issue. cation ni le système de santé au Canada ne se rendentMore research is needed to further understand the compte de ce problème. Davantage de recherche est nécesprevalenceof the problem in order to study proper saire afin de mieux comprendre l’importance du problèmeinterventions. A total of 3200 high school stu- dans le but d’étudier des interventions appropriées. Un todentsin Ontario were surveyed to measure sleepi- tal de 3 200 étudiants du secondaire en Ontario a été exanessusing Epworth Sleepiness Score (ESS). We miné pour mesurer la somnolence en utilisant les Scores deused generalized estimating equations to identify somnolence d’Epworth (SSE). Nous avons utilisé des équathefactors associated with sleepiness (ESS > 10). tions d’estimation généralisée pour identifier les facteurs liésSH = Somerville House SSC = Social Science Centre UC = University College

Mardi 30 mai • Tuesday, May 30, 13:15–14:45 129This presentation will report the association betweensleepiness and both academic performanceand extra-curricular activities.à la somnolence (SSE > 10). Cette présentation rapporteral’association entre la somnolence et le rendement scolaire etles activités parascolaires.Session 07I Mardi 30 mai • Tuesday, May 30, 13:15–14:45 SSC3010Business SurveysEnquêtes sur les entreprises[MS-139]The Use of The Goods and Services Tax by the Monthly Restaurants, Caterers and Taverns SurveyL’utilisation de la taxe sur les produits et services pour l’Enquête mensuelle sur les restaurants, traiteurs ettavernesZachary PRITCHARD & Charles TARDIF, Statistics CanadaL’Enquête mensuelle sur les restaurants, traiteurs et tavernes(EMRTT) recueille les ventes d’un échantillon représenta-tif de restaurants, traiteurs et tavernes au Canada. Les esti-mations de l’EMRTT sont partie intégrante des comptes nationauxet sont utilisées par divers membres de l’industriepour fins de planification. Depuis mai 2004, les donnéesde la Taxe sur les produits et services (TPS) provenant del’Agence de revenu du Canada (ARC) sont utilisées pourmodéliser les ventes de compagnies sélectionnées. Nous dis-cuterons de l’utilisation de la TPS par l’EMRTT et de sonimpact sur l’enquête au niveau de la qualité des données etdu fardeau de réponse.Mots clés : Les données TPS, le fardeau de réponse, la qualitédes données.The Monthly Restaurants, Caterers and TavernsSurvey (MRCTS) collects sales data from a sampleof restaurants, caterers and Taverns in Canada. Thesales estimates, an input to the System of NationalAccounts, are used by various agencies for planningpurposes. Since May 2004, data from selectedcompanies have been modelled using Goods andServices Tax (GST) data provided by the CanadaRevenue Agency (CRA). We will discuss the usageof GST data by the MRCTS and its effects on thesurvey in terms of data quality and response burden.Key words: Data quality, response burden, tax data.[MS-140]Comparison between Two Data Sources: Tax Data and Respondent Data of the Unified Enterprise Survey ofStatistics CanadaComparaisons entre deux sources de données : données fiscales et données des répondants de l’enquêteunifiée auprès des entreprises de Statistique CanadaÉric PELLETIER, Wisner JOCELYN & Lenka MACH, Statistique CanadaSince 2002, several Statistics Canada enterprisesurveys are making more use of tax data in lieu ofsurvey data to reduce response burden and costs.This is feasible because of an agreement withCanada Revenue Agency. In 2005, the Data IntegrationProject was launched in order to determinethe optimal methods for surveys’ use of tax data.The first step of the project was to compare theconcepts and definitions used for tax data and thedata collected via a survey. In this presentation, theUnified Enterprise Survey (UES) data will be usedto compare the two data sources.Depuis 2002, plusieurs enquêtes entreprises à Statistique Canadautilisent davantage de données fiscales comme donnéesde remplacement dans le but de réduire le fardeau de réponseet le coût des enquêtes. Ceci a été rendu possible grâce àune entente avec l’Agence du revenu du Canada. En 2005, leProjet d’intégration des données a été développé dans le butd’étudier comment les données fiscales peuvent être utiliséesde façon optimale dans les enquêtes. Une des premièresétapes de ce projet a été de comparer les concepts et les dé-finitions utilisées pour les données fiscales et les donnéesrecueillies auprès des entreprises. Les données provenant del’Enquête unifiée auprès des entreprises (EUE) seront utili-SH = Somerville House SSC = Social Science Centre UC = University College

130 Mardi 30 mai • Tuesday, May 30, 13:15–14:45sées lors de la présentation pour comparer les deux sourcesde données.[MS-141]Review of the Collection Strategy of Statistics Canada’s Unified Enterprise SurveyRevue des stratégies de collecte de l’enquête unifiée auprès des entreprises de Statistique CanadaRose-Carline EVRA & Sylvie DEBLOIS, Statistique CanadaThe Unified Enterprise Survey (UES) is a major annualsurvey conducted by Statistics Canada sinceL’Enquête unifiée auprès des entreprises (EUE) est une enquêteannuelle majeure de Statistique Canada, en cours de-1998. Data collection for the survey is challenging puis 1998. La collecte de données pour cette enquête posedue, in part, to time and cost constraints. In order certains défis dus, entre autres, aux contraintes de temps etto determine which enterprises should be assigned de coûts. Dans le but de pouvoir déterminer à quelles entreahigh priority follow-up in cases of non-response, prises un suivi prioritaire devrait être accordé dans le cas dea score function was introduced in 2002. This func- non-réponse, une fonction de score fut introduite en 2002.tion is currently being reviewed in order to make it Celle-ci est présentement revue afin de la rendre plus efmoreefficient. The presentation will focus on the ficace. La présentation portera sur la réévaluation de cettere-evaluation of the score function and on follow- fonction et sur le processus de suivi d’entreprises ayant desup process for enterprises with specific characteris- caractéristiques particulières.tics.Mots-clés : collecte, entreprises, fonction de scoreKey words:collection, enterprise, score function[MS-142]Dealing with the Problem of Combined Reports at the Sampling Design Stage for the Workplace andEmployee SurveyLe traitement du problème des rapports combinés à l’étape du plan de sondage à l’Enquête sur le milieu detravail et les employésCynthia BOCCI & Jean-François BEAUMONT, Statistique CanadaL’Enquête sur le milieu de travail et les employés est une enquêtelongitudinale qui recueille des informations auprès desemployeurs (au niveau de l’emplacement) et des employéstravaillant dans les emplacements sélectionnés. Les entre-prises qui ont plus d’un emplacement, ce qu’on appelle desemployeurs multi-emplacements, ont malheureusement sou-vent de la difficulté à rapporter les données pour un empla-cement choisi et donc ils fournissent un rapport combiné quiest souvent simplement jeté ou imputé. Ces rapports combi-nés ont pour effet d’introduire des erreurs de mesure et ainside réduire la qualité des données. On discute plusieurs op-tions pour sélectionner moins de multi-emplacements dansl’échantillon. On étudie également à quel point une augmen-tation de la variance est acceptable afin de réduire le nombrede rapports combinés et d’accroître la qualité des données.The Workplace and Employee Survey is a longitudinalsurvey that collects information on employers(at the location level) and on employees workingin the selected locations. Enterprises having morethan one location, referred to as multi-location employers,are often unfortunately not able to reportfor a chosen location and report combined informationwhich is often simply thrown out or imputed.These combined reports have the effect ofintroducing measurement errors and thus reducingdata quality. We discuss various options to selectfewer multi-locations in the sample and investigatehow much increase of variance is acceptable in orderto reduce the number of combined reports andincrease data quality.SH = Somerville House SSC = Social Science Centre UC = University College

Mardi 30 mai • Tuesday, May 30, 15:15–16:45 131[MS-143]Recent Developments in the Redesign of Statistics Canada’s Business RegisterDéveloppements récents dans le remaniement du registre des entreprises de Statistique CanadaStuart PURSEY, Paul HUNSBERGER, Zeeshan ZEESHAN & Stuart PURSEY, Statistics CanadaLe Registre des entreprises de Statistique Canada a été développéau milieu des années 80. Il constitue une base de son-dage utilisée de façon récurrente par plus de 90 enquêtes auprèsdes entreprises. Statistique Canada a entrepris une révi-sion complète du Registre des entreprises actuel tout en met-tant à jour son infrastructure et ses façons de faire. On dis-cutera de questions méthodologiques reliées à la conceptiond’enquêtes en mettant l’accent sur de nouvelles méthodesproposées pour dériver les unités d’échantillonnage à partirde la structure des entreprises. Ces nouvelles approches se-ront comparées et on fera ressortir les contrastes entre cellesciet les approches actuelles.The Business Register of Statistics Canada was developedin the mid-1980s. Its role is to provide aframe for more than 90 recurring business surveys.Statistics Canada has undertaken to completely reviseand update the infrastructure and approachesof the current Business Register. Methodologicalissues in survey design are discussed with emphasison the proposed methods used to derive samplingunits from the structure of a business. Thenew approaches in survey design are compared andcontrasted with the current approaches.Session 08A Mardi 30 mai • Tuesday, May 30, 15:15–16:45 SSC2050Data Mining Complex StructuresStructures complexes de forage de données[MS-144]Haplotype Inference Using a Hidden Markov Model with Efficient Markov Chain SamplingInférence sur le haplotype en utilisant un modèle de Markov caché avec un échantillonnage efficace parchaînes de MarkovShuying SUN, Celia GREENWOOD & Radford NEAL, University of TorontoThis talk will introduce a new population-basedhaplotype inference method which uses a Hid-Nous présentons une nouvelle méthode d’inférence sur lehaplotype pour une population, méthode qui emploie unden Markov Model (HMM) for the source of the modèle de Markov caché (MMC) pour la source des segancestralhaplotype segments. This HMM-based ments héréditaires de haplotype. Cette méthode inclut le tauxmethod includes the genotyping error rate, the mu- d’erreur dans le génotypage, le taux de mutation et le tauxtation rate and recombination rate in the model de recombinaison dans le modèle et les infère en employantand infers them using Markov Chain Monte Carlo les méthodes de chaînes de Markov Monte-Carlo (CMMC).(MCMC) methods. It has been tested using data Elle a été testée en utilisant des jeux de données de Daly etsets from Daly et al. 2001 and the HAPMAP al. (2001) et le projet de HAPMAP. Elle produit des résul-Project. It produces the results that are quite close tats qui sont près des reconstructions basées sur le lien deto family-based reconstructions, and comparable to famille, et comparable au programme PHASE de Stephensthe PHASE program of Stephens et al. 2001. et al. (2001).[MS-145]Visualizing Binary Pairwise Similarity DataVisualisation de données binaires de similarité deux-à-deuxSam ROWEIS, University of Toronto, Amir GLOBERSON, MITBinary pairwise similarity data is available inmany domains where quantifying the similarity/differencebetween objects is extremely difficultLes données binaires de similarité deux-à-deux sont disponiblesdans plusieurs domaines où quantifier la simila-rité/différence entre objets est extrêmement difficile ou im-SH = Somerville House SSC = Social Science Centre UC = University College

132 Mardi 30 mai • Tuesday, May 30, 15:15–16:45or impossible. Nonetheless, it is often desirable to possible. Néanmoins, il est souvent souhaitable d’obtenirobtain insight into such data by associating each une compréhension de telles données en associant chaqueobject (record) with a point in some abstract fea- objet à un point dans un espace de caractéristiques abstraitture space – for visualization purposes this space is – à des fins de visualisation, cet espace est souvent à deuxoften two or three dimensional. We present an al- ou trois dimensions. Nous présentons un algorithme pour vigorithmfor visualizing such similarity data, which sualiser de telles données de similarité, fournissant une foncdeliversan embedding of each object such that tion de chaque objet de façon à ce que des objets similairessimilar objects are always closer in the embedding soient toujours plus rapprochés dans l’espace d’arrivée quespace than dissimilar ones. Many such mappings des objets dissimilaires. Plusieurs transformations de ce typemay exist, and our method selects amongst them existent, et notre méthode sélectionne celle où la distancethe one in which the mean distance between em- moyenne entre les points transformés est la plus grande posbeddedpoints is as large as possible. This has the sible. Ceci a pour effet d’étirer la transformation et favoriseeffect of stretching the mapping and, interestingly, les fonctions à faible dimension effective.favoring embeddings with low effective dimension- Nous étudions les variantes paramétrique et non paraméality.trique du problème, et montrons que nous obtenons toujoursWe study both the parametric and non-parametric des programmes semi-définis convexes. Dans le cas non pavariantsof the problem, showing that they both ramétrique, des points en entrée peuvent être transformés enresult in convex Semidefinite Programs (SDP). In n’importe quel point dans l’espace, alors que le cas paraméthenon-parametric version, input points may be trique présuppose que la transformation est donnée par unemapped to any point in space, whereas the para- certaine fonction (par exemple, une transformation linéairemetric version assumes that the mapping is given ou à noyau) des entrées. Ceci nous permet de généraliser laby some function (e.g. a linear or kernel map- transformation à des points non utilisés lors de la procédureping) of the input. This allows us to generalize d’entraînement.the embedding to points not used in the trainingprocedure.[MS-146]Robustness in Data MiningRobustesse en forage de donnéesDavid BANKS, Duke UniversityRobustness is a long-standing issue in data mining,and people have developed a number of strate-La robustesse est une question importante en exploration dedonnées et différentes stratégies furent élaborées pour y régiesfor addressing it. This talk describes an ap- pondre. Cet exposé décrit une approche où les structuresproach in which structures in the data are iteratively présentes dans les données sont trouvées et retirées de fafoundand removed. The ideas are illustrated in çon itérative. Ces idées sont illustrées dans le contexte dethe context of regression, multidimensional scal- la régression, de l’échelonnement multidimensionnel et deing, and cluster analysis. Some of the benefits l’analyse de groupement. Les avantages de la méthode sont,of the method include better interpretability, high- entre autres, une meilleure interprétabilité, des points de rupbreakdownpoints, and some relaxation of the sta- ture élevés et un certain relâchement des besoins statistiquestistical need for random sampling.d’échantillonnage aléatoire.SH = Somerville House SSC = Social Science Centre UC = University College

Mardi 30 mai • Tuesday, May 30, 15:15–16:45 133Session 08B Mardi 30 mai • Tuesday, May 30, 15:15–16:45 SH3345Genomic Assessment Implications of Biologic HeterogeneityImplications sur l’évaluation génomique de la variabilité biologique[MS-147]Implications of Tumor Heterogeneity on Assessment of Differential Expression using Genomic DataConséquences de l’hétérogénéité des tumeurs pour déterminer les différences d’expression en utilisant desdonnées génomiquesDebashis GHOSH, University of MichiganIn expression studies, differential expression betweencancer and non-cancerous samples is routinelystudied. A major issue unaddressed in thesesettings is the fact that the tumor itself is quite heterogeneous.We discuss the nature of this problemand causes as well as some statistical methods forincorporating tumor heterogeneity into the analysis.Dans des expérimentations d’expression génétique, la différenced’expression entre des échantillons cancéreux et non-cancéreux est couramment utilisée. Un problème majeur quin’est pas pris en considération dans ce contexte est la grandehétérogénéité de la tumeur. Nous discutons de la nature dece problème et de ses causes et décrivons quelques mé-thodes statistiques permettant d’incorporer l’hétérogénéité àl’analyse.[MS-148]Design and Analysis of Genetical Genomics Studies Involving Complex TraitsConception et analyse des études des génomes génétiques impliquant des traits complexesGuilherme ROSA, Michigan State UniversityModern techniques being used to unravel the geneticmechanisms governing variation in complexLes techniques modernes étant employées pour démêler lesmécanismes génétiques régissant la variation des traits comtraitscombine information on phenotypic traits, plexes combinent l’information sur des traits phénotypiques,molecular markers, and gene expression. These des marqueurs moléculaires, et l’expression de gène. Cesmethods are generally referred to as genetical ge- méthodes sont généralement mentionnées comme des apnomicsapproaches. Such studies, however, require proches de génomiques génétiques. Cependant, de tellescareful planning and refined quantitative methods études exigent une planification soigneuse et des méthodesfor their success. In this presentation we will dis- quantitatives raffinées pour leur succès. Dans cette présentacusssome issues related to the design and analy- tion, nous discuterons quelques questions liées à la concepsisof genetical genomics studies. Current meth- tion et à l’analyse des études génétiques de génomique.ods available in the literature will be reviewed, Des méthodes courantes disponibles dans la littérature seandsome directions for future research will be dis- ront passées en revue, et quelques directions pour la futurecussed.recherche seront discutées.[MS-149]Clinical Implications of Tumor Heterogeneity Demonstrated Pathologically and with Image AnalysisImplications cliniques de l’hétérogénéité des tumeurs démontrées pathologiquement et par analyse d’imageJudy-Anne CHAPMAN, NCIC Clinical Trials Group, David AXELROD, Rutgers University, Naomi MILLER, Universityof Toronto, Jin QIAN, University of Waterloo, William CHRISTENS-BARRY, Equipoise Imaging LLC, Yan YUAN,University of Waterloo, Yuejiao FU, York UniversityThe current trend in assessment of malignancies istowards evaluation of ever smaller samples, containingsmaller numbers of tumour cells. The va-La tendance actuelle dans l’évaluation des tumeurs malignesse dirige vers l’évaluation d’échantillons toujoursplus petits, contenant moins de cellules tumorales. La va-SH = Somerville House SSC = Social Science Centre UC = University College

134 Mardi 30 mai • Tuesday, May 30, 15:15–16:45lidité des évaluations basées sur de petits échantillons peutêtre limitée par l’hétérogénéité des tumeurs. Une étude decohortes de DCIS du sein non invasive a été établie afind’évaluer l’hétérogénéité au niveau nucléaire et ses effets ap-parents sur les résultats cliniques. Les résultats démontrentque l’évaluation de très petits échantillons de tumeurs conte-nant très peu de cellules peut être insuffisante pour caracté-riser la tumeur à des fins de diagnostic ou de pronostic.lidity of small sample assessment may be limitedby tumour heterogeneity. A cohort study of noninvasivebreast DCIS was designed to assess heterogeneityin nuclear grade and its apparent effectson clinical outcome. The results demonstrate thatassessment of very small samples of tumour containingonly small numbers of cells may be insufficientto characterize the tumour for diagnostic orprognostic purposes.Session 08C Mardi 30 mai • Tuesday, May 30, 15:15–16:45 SSC2024Probability and FinanceProbabilités et finance[MS-150]Stochastic Methods and Statistical Technique for Equity-linked Life InsuranceMéthodes stochastiques et technique statistique pour l’assurance-vie liée à des indices boursiersAlexander MELNIKOV & Yulia ROMANIUK, University of AlbertaEquity-linked life insurance contracts are agreementsin which the payoff depends on the performanceof one or more risky assets as well as on theclient’s mortality. The presence of both financialand insurance risk elements complicates the pricingof these agreements and calls for appropriatehedging methods that would optimize the risk managementstrategies available to the firm selling thecontracts. We will focus on quantile and efficienthedging, explain the idea behind the methods andthe related statistical concepts. Theoretical resultswill be illustrated with numerical examples basedon real-world financial and mortality data.Les contrats d’assurance-vie reliés aux valeurs boursièressont des accords dans lesquels le remboursement dépendd’un ou de plusieurs capitaux de risque aussi bien que dela mortalité du client. La présence des éléments financiers etd’assurance à risque complique l’évaluation de ces accordset demande des méthodes appropriées de couverture qui op-timiseraient les stratégies de gestion des risques disponiblesà la société vendant les contrats. Nous nous concentreronssur le quantile et les couvertures efficaces, nous expliqueronsl’idée derrière les méthodes et les concepts statistiques reliésà ces méthodes. Des résultats théoriques seront illustrés avecdes exemples numériques basés sur des données financièresréelles et des données de survie.[MS-151]Extensions of Levy-Khintchine Formula and Beurling-Deny Formula in Semi-Dirichlet Forms SettingExtensions de la formule de Levy-Khintchine et de la formule Beurling-Deny dans le contexte des formessemi-DirichletWei SUN, Concordia University, Ze-Chun HU, Nanjing University, China, Zhi- Ming MA, Institute of AppliedMathematics, Chinese Academy of SciencesLa formule de Levy-Khintchine caractérise les générateursinfinitésimaux des processus de Levy. Pour des processusplus généraux de Markov, la formule la plus proche d’unetelle caractérisation est la formule de Beurling-Deny pourles formes symétriques de Dirichlet. Dans cette présenta-tion, nous extrapolons ces célèbres résultats de structurepour inclure les processus continus de Markov forts et continusà droite, qui sont censés être associés aux formes semi-The Levy-Khintchine formula characterizes the infinitesimalgenerators of Levy processes. For moregeneral Markov processes, the formula that comesclosest to such a characterization is the Beurling-Deny formula for symmetric Dirichlet forms. Inthis talk, we extend these celebrated structure resultsto include general right continuous strongMarkov processes, which are supposed to be as-SH = Somerville House SSC = Social Science Centre UC = University College

Mardi 30 mai • Tuesday, May 30, 15:15–16:45 135sociated with semi-Dirichlet forms. Moreover, weextend LeJan’s formula in non-symmetric Dirichletforms setting, which characterizes the diffusionpart of a Dirichlet form.Dirichlet. D’ailleurs, nous extrapolons la formule de LeJanaux formes dissymétriques de Dirichlet, qui caractérise lapartie de diffusion d’une forme Dirichlet.[MS-152]Optimal Dividends Under a Ruin Probability ConstraintDividendes optimaux sous une contrainte de probabilité de ruineSteve DREKIC, University of WaterlooWe consider a surplus process modified by the paymentof dividends when the insurer’s surplus ex-Nous considérons un processus de surplus modifié par lepaiement des dividendes quand le surplus de l’assureur exceedsa certain threshold. We use a probabilistic cède un certain seuil. Nous employons un argument probaargumentto obtain general expressions for the ex- biliste afin d’obtenir des expressions générales pour la vapectedpresent value of dividend payments. We leur présente espérée des paiements de dividendes. Nousthen consider the question of maximizing the ex- considérons ensuite le problème de la maximisation de la vapectedpresent value of dividend payments subject leur présente espérée des paiements de dividendes sous uneto a constraint on the insurer’s ruin probability. contrainte liée à la probabilité de ruine de l’assureur.Session 08D Mardi 30 mai • Tuesday, May 30, 15:15–16:45 SSC3018The History of Statistics and ProbabilityL’histoire de la statistique et des probabilités[MS-153]André-Michel Guerry and the Rise of Moral StatisticsAndré-Michel Guerry et la naissance de la statistique moraleMichael FRIENDLY, York UniversityAndré-Michel Guerry’s (1833) Essai sur la statistiquemorale de la France was one of the foundationstudies of modern social science. Guerry assembleddata on crimes, suicides, literacy, and other“moral statistics” to shed light on social issues inFrance, particularly those used to understand factorsaffecting crime. He used tables and maps toanalyze these issues and was likely the first to tryto use such data to answer questions about the relationsamong multiple social variables.In this talk I trace the development of the studyof moral statistics in Guerry’s work. I also illustratesome recent attempts to ask what light modernmethods of statistical graphics and thematic cartographycan shed on Guerry’s questions and data.L’« Essai sur la statistique morale de la France » d’André-Michel Guerry (1833) fut l’une des études fondatrices de lascience sociale moderne. Guerry avait assemblé des donnéessur les crimes, les suicides, l’alphabétisation et autres « statistiquesmorales » afin de faire la lumière sur les grandesquestions sociales en France, particulièrement celles utili-sées pour comprendre les facteurs liés au crime. Il utilisa destableaux et des cartes pour analyser ces questions et fut vrai-semblablement le premier à utiliser de telles données pourtenter de répondre à des questions sur les relations entre demultiples variables sociales.Dans cet exposé je suis la trace du développement de l’étudedes statistiques morales dans le travail de Guerry. J’illustreégalement quelques tentatives récentes de déterminer com-ment les méthodes modernes de graphiques statistiques etde cartographie thématique peuvent éclairer les questions etdonnées de Guerry.SH = Somerville House SSC = Social Science Centre UC = University College

136 Mardi 30 mai • Tuesday, May 30, 15:15–16:45[MS-154]Abraham De Moivre: Genius in ExileAbraham de Moivre : génie en exilChristian GENEST, Université Laval, David R. BELLHOUSE, University of Western OntarioLe 27 novembre 2004 a marqué le 250e anniversaire du décèsd’Abraham De Moivre, dont la célèbre approximationde la loi binomiale a inspiré le théorème limite central. Cal-viniste français exilé en Angleterre, de Moivre fut l’un desgrands pionniers de la théorie classique des probabilités. Ilcontribua en outre de façon significative à la géométrie ana-lytique, à l’analyse complexe et au calcul des rentes. Un ré-sumé de sa vie et de son œuvre sera présenté dans le contextesocial et scientifique de l’époque. Cet exposé s’appuie surdes travaux réalisés en collaboration avec David R. Bellhouse,de l’Université de l’Ontario occidental.November 27, 2004, marked the 250th anniversaryof the death of Abraham De Moivre, whose famousapproximation to the binomial distribution inspiredthe Central Limit Theorem. De Moivre, a FrenchHuguenot refugee living in England, was one of thegreat pioneers of classical probability theory. Healso made seminal contributions in analytic geometry,complex analysis and the theory of annuities.A summary of his life and works will be presentedwithin the social and scientific context of the time.This talk is based on joint work with David R. Bellhouseof the University of Western Ontario.[MS-155]Some Comments About Issai Schur (1875–1941) and The Early History of Schur ComplementsQuelques commentaires sur Issai Schur (1875-1941) et le développement des compléments de SchurGeorge STYAN, McGill University, Simo PUNTANEN, University of TampereAfter some biographical remarks about Issai Schur(1875–1941), we note that he attended the NicolaiSuivant quelques remarques biographiques au sujet d’IssaiSchur (1875-1941), nous notons qu’il fréquenta le Gymna-Gymnasium in Libau (Kurland) and suggest that sium Nicolai à Libau (Courlande) et suggérons que le nomNicolai is used here in honour of Saint Nicholas « Nicolai » soit utilisé ici en honneur à Saint Nicolas de Bari,of Bari, Bishop of Myra, who is widely associ- évêque de Myre, largement associé avec Noël. Le termeated with Christmas and after whom Santa Claus « complément de Schur » fut introduit en 1968 par Emiisnamed. The term “Schur complement” was in- lie Virginia Haynsworth (1916-1985) d’après un lemme detroduced in 1968 by Emilie Virginia Haynsworth 1917 de Schur. Nous présentons quelques résultats prélimi-(1916–1985) in view of a 1917 lemma by Schur. naires impliquant les compléments de Schur par A.C. Ait-We present some early results involving Schur ken, Tadeusz Banachiewicz, W.J. Duncan, Louis Guttmancomplements by A.C. Aitken, Tadeusz Banachiewicz, et Haynsworth, avec quelques applications statistiques. Plu-W.J. Duncan, Louis Guttman, and Haynsworth, sieurs images illustrent cet exposé.with some statistical applications. Several picturesillustrate this talk.SH = Somerville House SSC = Social Science Centre UC = University College

Mardi 30 mai • Tuesday, May 30, 15:15–16:45 137Session 08E Mardi 30 mai • Tuesday, May 30, 15:15–16:45 UC85Estimating Function MethodologyMéthodologie d’estimation de fonctions[MS-156]Information Matrix: From Fisher to GodambeMatrices d’information : de Fisher à GodambePeter SONG & Qian ZHOU, University of WaterlooEn théorie de l’estimation fonctionelle, la matrice d’informationde Godambe est au cœur de la description de la nor-malité asymptotique d’un estimateur. Lors de cet exposé, jeprésenterai des études empiriques afin de démontrer les mé-rites de la matrice d’information de Godambe par rapport à lamatrice d’information de Fisher dans le cadre de l’inférencebasée sur le maximum de vraisemblance (MV). Bien que lamatrice d’information de Godambe se réduise à la matriced’information de Fisher dans le contexte MV, sa construc-tion unique de type sandwich permet une meilleure robus-tesse par rapport aux données influentes et à une mauvaisespécification du modèle. Les résultats de plusieurs études desimulation seront exposés lors de la présentation.In the theory of estimating functions, Godambe informationmatrix is the essence in the descriptionof asymptotic normality for an estimator. In thistalk I will present some empirical studies to demonstratemerits of Godambe information matrix overthe Fisher information matrix in the maximum likelihood(ML) inference. Although Godambe informationmatrix reduces to Fisher Information matrixin the ML setting, its unique sandwich-typeconstruction gives rise to some desirable robustnessagainst influential data points and model misspecification.Results from several simulation studieswill be given in the presentation.[MS-157]Estimating Functions and Analysis of Missing DataFonctions d’estimation et analyse des données manquantesBent JØRGENSEN, University of Southern DenmarkNous passons en revue des résultats de base concernantl’optimalité de fonctions estimatrices, tels l’optimalité deGodambe et de Crowder pour les fonctions de cotes et lesquasi-fonctions de cotes, respectivement. Nous révisons éga-lement quelques notions d’orthogonalité des paramètres, etintroduisons l’idée d’insensibilité aux paramètres de nuisance(Jørgensen et Knudsen, Scand. J. Statist. 2004). Cesrésultats sont alors appliqués à l’analyse de données man-quantes dans le contexte des fonctions d’estimation, où nousdiscuterons d’EEG pondérées par probabilités inverses et del’utilisation du « BLUP » pour l’imputation de données manquantes.We first review basic results for optimality of estimatingfunctions, such as Godambe and Crowderoptimality of the score and quasi-score functions,respectively. We also review some basic notionsof parameter orthogonality, and introduce the ideaof nuisance parameter insensitivity (Jørgensen andKnudsen, Scand. J. Statist. 2004). These resultsare then applied to the analysis of missing data inthe context of estimating functions, where we discussinverse probability weighted GEE, and the useof the BLUP for imputation of missing data.[MS-158]Estimating Functions for Correlated Recurrent and Terminal EventsFonctions d’estimation pour évènements récurrents et terminaux corrélésJack KALBFLEISCH, Yining YE & Douglas SCHAUBEL, University of MichiganDans les études cliniques et observationelles, des évènementsrécurrents (par exemple, des hospitalisations) et ter-minaux (par exemple, la mort) sont fréquemment rencon-In clinical and observational studies, recurrentevent data (e.g., hospitalizations) with a terminalevent (e.g., death) are often encountered. In manySH = Somerville House SSC = Social Science Centre UC = University College

138 Mardi 30 mai • Tuesday, May 30, 15:15–16:45instances, the terminal and recurrent event rates are trés. Dans plusieurs cas, les évènements récurrents et terstronglycorrelated which we model with a shared minaux sont fortement dépendants, ce que nous modélisonsrandom effect for the recurrent event rate and the à l’aide d’un effet aléatoire partagé entre la fréquence determinal event hazard function. The analysis is l’évènement récurrent et la fonction de défaillance associéebased on estimating functions that arise from aver- à l’évènement terminal. Cette analyse est basée sur des foncageevent rates for the terminal and recurrent event tions estimatrices obtenues à partir des fréquences moyennesprocesses, and a Poisson likelihood is used to es- des évènements pour les processus d’évènements récurrentstimate the distribution of the random efect. The et terminaux, et une vraisemblance de Poisson est utiliséeapproach is compared with others in the literature pour estimer la distribution de l’effet aléatoire. Cette apandillustrated on some hospitalization data from a proche est comparée à d’autres tirées de la littérature et estCanada/US study on peritoneal dialysis.illustrée à l’aide de données d’hospitalisation d’une étudecanado-américaine de la dialyse péritonéale.Session 08F Mardi 30 mai • Tuesday, May 30, 15:15–16:45 SSC3006Computational Methods in StatisticsMéthodes computationnelles en statistique[MS-159]An Introduction to Linear Grouping AnalysisIntroduction à l’analyse linéaire de groupesJustin HARRINGTON, University of British ColumbiaThe popular “k-means” clustering algorithm assumesthat the data form distinct spheres aroundLe populaire algorithme des centres de groupes suppose queles données forment des sphères centrées en k centres. Dansk centers. In this talk, we will introduce a new cet exposé, nous présentons une nouvelle méthode de clasclusteringmethod, first presented in Van Aelst et sification proposée par Van Aelst et al (2005), l’analyse lial(2005), called Linear Grouping Analysis (LGA) néaire de groupes, qui classifie les données selon leur proxithatclusters the data around hyperplanes. Some mité avec des hyperplans. Quelques défis de taille se préimportantchallenges that arise are: the misclassi- sentent à nous : les mauvaises classifications causées parfication effect produced by hyperplanes that inter- l’intersection d’un plan avec un groupe de données ainsi quesect other data groups; and issues of scaling and the les problèmes liés à la complexité du temps de calcul lorsque“curse of dimensionality.” In this talk we will out- le nombre de dimensions augmente. Nous proposons une solinea parametric solution to the former issue, and lution paramétrique au problème de classifications erronéesdescribe a parallel computing implementation that et décrivons une programmation parallèle de l’algorithmepartly addresses the latter.qui permet de compenser pour la lenteur des calculs en plusieursdimensions.[MS-160]The EM Algorithm for Finite Mixtures with SubsamplingUn algorithme EM pour des mélanges finis de distributions avec sous-échantillonnagePeter MACDONALD, McMaster University, Ruochu GAO, University of Western OntarioA finite mixture distribution can be formulated as Un mélange fini de distributions peut être formulée commea missing data problem. There is an observable un problème de données manquantes. Il y a un y observabley and a finite set of states. We are interested in et un ensemble fini d’états. Nous sommes intéressés par lathe conditional distribution of y given its associ- distribution conditionnelle de y étant donné son état associé.ated state. Complete data would be a sample from Les données complètes seraient un échantillon provenant dethe joint distribution of y and state. The states are la distribution à deux variables de y et d’état. Les états sontSH = Somerville House SSC = Social Science Centre UC = University College

Mardi 30 mai • Tuesday, May 30, 15:15–16:45 139inobservables, cependant, ainsi nous avons seulement la dis-tribution de mélange, c.-à-d., la distribution marginale dey. L’algorithme EM fournit une analyse convenable, esti-mant un vecteur d’indicateur pour l’état sur l’étape-E, puisla distribution conditionnelle de l’état donné y sur l’étape-M, répétant ces deux étapes jusqu’à la convergence. Nousavons développé l’algorithme EM pour inclure des échan-tillons provenant de la distribution conditionnelle de y étantdonné l’état. C’est de grande importance pratique dans uneapplication de pêche, où il est facile de mesurer la longueurd’un poisson mais son âge n’est pas facilement connu. Unéchantillon mélangé de longueur de poissons peut être aug-menté en déterminant l’âge de quelques poissons provenantdes classes de longueur choisies, et cette information addi-tionnelle mène à de bien meilleures estimations que ce quipeut être obtenu à partir de l’échantillon mélangé seul.unobservable, however, so we have only the mixturedistribution, that is, the marginal distributionof y. The EM algorithm provides a natural analysis,estimating an indicator vector for state on theE-step, then the conditional distribution of y givenstate on the M-step, repeating these two steps toconvergence. We have extended the EM algorithmto include samples from the conditional distributionof state given y. This is of great practical importancein fisheries applications, where the lengthof a fish is easy to measure but its age is not. Amixed sample of fish length can be supplementedby aging a few fish from selected length classes,and this additional information leads to much betterestimates than can be obtained from the mixedsample alone.[MS-161]Context Sensitive Regression Models with Binary PredictorsModèles de régression contextuels avec prédicteurs binairesJohan VAN HOREBEEK, CIMAT, Hugh CHIPMAN, Acadia UniversityNous présentons une classe de modèles de régression linéairepour lesquels l’effet du prédicteur sur la réponse peutdépendre du niveau d’un autre prédicteur. Similairement auxmodèles graphiques, en représentant ces relations comme ungraphe orienté, un outil de modélisation compact et interpré-table est développé. Des méthodes bayésiennes et fréquentistespermettant d’identifier ces modèles seront exposées.We introduce a class of linear regression models inwhich the effect of a predictor on the response candepend on the level of another predictor. Similar toGraphical Models, by representing such relationsas a directed graph, a compact and interpretablemodelling tool is developed. Both frequentist andBayesian methods for identifying these models arediscussed.[MS-162]Estimating Prediction Error in Linear Regression by Cross ValidationEstimer l’erreur de prévision en régression linéaire par validation croiséeHui SHEN & William J. WELCH, University of British ColumbiaLa validation croisée est fréquemment utilisée pour estimerl’erreur de prévision. Dans cet article, nous étudions les pro-priétés de l’estimateur par validation croisée de l’erreur qua-dratique moyenne de prévision (VCEQM) en régression li-néaire. Nous comparons les performances de prévision pourdifférents nombres de groupes, v, en validation croisée. Nousproposons aussi une méthode de correction pour réduire lebiais. Notre correction peut réduire le biais du VCEQM defaçon significative lorsque le nombre de paramètres du mo-dèle n’est pas petit relativement au nombre d’observations.De plus, nous trouvons que la correction pour le biais peutaider à la sélection du modèle.Cross validation is commonly used to estimate predictionerror. In this paper, we study the propertiesof the cross validation estimator of mean squaredprediction error (CVMSE) in linear regression. Wecompare the prediction performance for differentnumbers of folds, v, in cross validation. We alsopropose a correction method to reduce the bias.Our correction can reduce the bias of CVMSE significantlywhen the number of parameters in themodel is not small relative to the number of observationsin the data set. Moreover, we find thatthe bias correction can help in model selection.SH = Somerville House SSC = Social Science Centre UC = University College

140 Mardi 30 mai • Tuesday, May 30, 15:15–16:45[MS-163]Bivariate Exponential Distributions and its Application on Matched Pair DataDistributions exponentielles bidimensionnelles et leur application dans un contexte de données appariéesYu ZHANG, University of ReginaIn Clinical Research, we have data which camefrom the paired organs of patients. For example,Lors d’une recherche clinique, nous avons obtenu des donnéestraitant d’organes appariés, et donc provenant d’uneyes, ears, kidneys. The lifetime of these two or- même patient. Par exemple, les yeux, les oreilles, les reins.gans are of course not independent, simply because Les durées de vie de ces deux organes sont naturellementthe organs are exposed to the same environments. non indépendantes, simplement parce que les deux organesAlso, we sometimes couldn’t get the complete data sont exposés au même environnement. De plus, il a étéin medical research. For example, some patients quelque fois impossible d’obtenir des données complètes.died before the organ died, or some patients were Par exemple, quelques patients sont morts avant que l’organewithdrawn from the experiment. Under such cases, considéré soit mort et quelques patients ont été tout simplethedata are called censored data. We have many ment retirés de l’étude. Dans de tels cas, les données sonttypes of censored data, they are random type I cen- dites censurées. Nous avons été confrontés à plusieurs typessoring, fixed type I censoring, type II censoring and de données censurées : censure aléatoire et fixe de type I,hybrid censoring.censure de type II et censure hybride.[MS-164]Robust Designs for Logistic Model with OverdispersionPlans robustes pour un modèle logistique avec hyperdispersionAdeniyi ADEWALE & Douglas P. WIENS, University of AlbertaNous avons développé des critères permettant de construiredes plans d’expérience robustes quant aux spécificationserronées possibles dans les modèles logistiques. Nousconstruisons des plans offrant une protection contre une spé-cification erronée des effets fixes et d’hyperdispersion. Nousconsidérons les problèmes liés à la spécification erronée deseffets systématiques par une certaine forme d’étalement dela perte – une approche quelque peu apparentée à un traite-ment bayésien. Le problème de la variation extra-binomialeest abordé en incorporant la fonction de variance prescritepar un modèle supérieur semblable à un modèle logistiquemixte. Des exemples traitant différents scénarios de spéci-fication erronée, y compris un exemple sur la toxicité del’oxyde d’éthylène pour les cucujides, sont présentés.We have developed criteria that generate robust designsthat insure against possible misspecificationsin logistic models. We construct designs that protectsagainst possible fixed effects misspecificationand overdispersion. We addressed the problems ofmisspecification of the systematic effects by someform of averaging of the loss—an approach somewhatakin to a Bayesian treatment. The problem ofextra-binomial variation is addressed by incorporatingthe variance function prescribed by a superiormodel similar to a logistic mixed model. Examplesfor various misspecification scenarios areconsidered, including an example on the toxicityof ethylene oxide to grain beetles.SH = Somerville House SSC = Social Science Centre UC = University College

Mardi 30 mai • Tuesday, May 30, 15:15–16:45 141Session 08G Mardi 30 mai • Tuesday, May 30, 15:15–16:45 SSC3010Methodology for Complex Data StructuresMéthodologie pour des données à structure complexe[MS-165]Joint Analysis of Longitudinal and Survival Data with Application to Cystic FibrosisAnalyse conjointe de données longitudinales et de survie, avec une application à la fibrose kystiqueEshetu ATENAFU, University of TorontoIt is common in many longitudinal studies that bothrepeated measures and time-to-event data are col-Dans plusieurs études longitudinales, des mesures répétéeset les temps d’événements sont recueillis, en pluslected, along with treatment information and pa- d’information sur le traitement et des caractéristiques destient characteristics at baseline. Since the longitu- patients. Puisque le processus longitudinal et le temps dedinal process and survival times are often related, survie sont souvent corrélés, la modélisation simultanée desimultaneous modeling of these outcomes has re- ces résultats a fait l’objet de beaucoup d’attention. Dans cetceived considerable attention. In this talk, we intro- exposé, nous introduisons l’approche par modèle de transiducethe transition model approach, which is based tion, basée sur la stratification des mesures longitudinaleson stratification of the longitudinal measures and et des temps d’arrêt de survie à travers des états de transurvivalendpoints through transition states. We sition. Nous discutons de procédures d’estimation paraméwilldiscuss parameter estimation procedures, illus- trique, illustrons cette méthode par l’application à une étudetrate the method through application to a cystic fi- sur la fibrose kystique et établissons des comparaisons avecbrosis study, and draw comparisons to other meth- d’autres méthodes telles les modèles de sélection, les moodssuch as selection models, pattern-mixture mod- dèles de mélanges de formes et les modèles à paramètresels and shared-parameter models.partagés.[MS-166]Flexible Parametric Models for Truncated and Interval-censored Multi-state DataModèles paramétriques flexibles pour des données tronquées, à intervalle censuré et multi-étatDavid TOLUSSO & Richard COOK, University of WaterlooL’évolution de plusieurs processus d’une maladie peut êtrepratiquement caractérisée par des modèles multiples. Lesdonnées disponibles sont sujettes souvent à être censuréespar intervalle et par troncation. Dans cet entretien, la perti-nence des modèles paramétriques flexibles sera mise en évi-dence pour l’analyse de ce genre de données. On portera uneattention particulière aux méthodes robustes d’estimation.Une application aux données d’un essai sur des patients avecle cancer métastatique sera donnée comme illustration.The evolution of many disease processes canbe conveniently characterized through multistatemodels. Data available are often subject to bothinterval-censoring and truncation. In this talk, theappeal of flexible parametric models will be highlightedfor analysis of this kind of data. Attentionwill be directed at robust methods of estimation.An application to data from a trial of patients withmetastatic cancer will be given for illustration.[MS-167]Fitting HIV Mixed-effects Dynamic Models to Clinical TrialsAjustement de modèles dynamiques à effets mixtes pour des essais cliniques pour le VIHJiguo CAO, James O. RAMSAY & Giles HOOKER, McGill UniversityHIV dynamic models describe the rate of populationchange of uninfected cells, infected cells andvirus as a function of their populations and inter-Les modèles dynamiques de VIH décrivent le taux de changementde population des cellules non infectées, des cellulesinfectées et du virus en fonction de leurs populations et desSH = Somerville House SSC = Social Science Centre UC = University College

142 Mardi 30 mai • Tuesday, May 30, 15:15–16:45interactions. Ils ont significativement contribué à notre com-préhension de l’infection par le VIH et du développementdu médicament antiviral thérapeutique. Dans cette présen-tation nous discuterons d’un ensemble d’équations différen-tielles pour modéliser le système dynamique à long terme duVIH. Une méthode de profilage généralisée sera appliquéeaux modèles dynamiques de VIH pour l’ajuster aux donnéescliniques, avec un effet « patient » aléatoire pris en considé-ration. L’idée est de réduire la dimensionnalité de l’espace deparamètres en traitant les paramètres nuisibles comme fonc-tions des paramètres structuraux.actions. They have significantly contributed to ourunderstanding of HIV infection and the developmentof antiviral drug therapy. The talk will introducea set of differential equations to model longtermHIV dynamical system. A generalized profilingmethod will be applied to fit HIV dynamicmodels to clinical data, with a random patient effecttaken into account. The idea is to reduce thedimensionality of parameter space by treating thenuisance parameters as functions of structural parameters.[MS-168]Dynamic Variable Selection in SNP Classification Based on an APEX Microarray PlatformSélection de variable dynamique en classification de SNP basée sur une plate-forme de puces APEXMohua PODDER, William J. WELCH & Ruben H. ZAMAR, University of British ColumbiaNous développons un algorithme de classification basésur l’analyse discriminante linéaire (ADL) utilisant la sé-lection de variables dynamiques pour une plate-formede biopuces APEX de génotypage SNP. En utilisant unensemble de 32 échantillons de Coriel comme jeu dedonnées d’entraînement, nous développons un algorithmed’apprentissage supervisé robuste et complètement auto-matisé et obtenons un niveau de précision de 98 dans unnouveau jeu de données de 270 SIRS obtenu à partir de lamême plate-forme de biopuces pour génotypage SNP. Cetalgorithme basé sur des modèles utilise la redondance dansle système en considérant toute l’information sous-jacenteà un SNP, accordant ainsi moins d’importance aux « mauvaisesdonnées ».We develop a classification algorithm based onsimple Linear Discriminant Analysis (LDA) usingdynamic variable selection for an APEX microarrayplatform of SNP genotyping. Using a set of 32Coriell sample as a training data set, we develop asupervised learning algorithm which is robust andfully automated and also achieve an accuracy levelof 98 in a new data set of 270 SIRS sample based onthe same APEX microarray platform for SNP genotyping.This model-based algorithm captures theredundancy in the system considering all the underlyinginformation for a SNP automatically downweighting the ’bad data’.[MS-169]Sequential Learning of SVMs for Target Identification in Drug DiscoveryApprentissage séquentielle de SVMs pour l’identification de cible dans la découverte de médicamentQian ZHOU, University of Waterloo, S. Stanley YOUNG, National Institute of Statistical Sciences, Mu ZHU, Universityof WaterlooAn important problem in drug discovery is to builda model (e.g., an SVM) to screen a large databaseUn problème important dans la découverte de médicamentest d’établir un modèle (par exemple, un SVM) pourand identify a few active chemical compounds. To examiner une grande base de données et pour identifierbuild an SVM, we must test some compounds first quelques composés chimiques actifs. Pour construire unin order to construct a training set. Instead of ran- SVM, nous devons examiner quelques composés d’aborddomly selecting these initial compounds, we use afin de construire un ensemble d’entraînement. Au lieuactive learning to construct the initial training set de choisir aléatoirement ces composés initiaux, nous emsequentially.We investigate several different se- ployons l’apprentissage actif pour construire l’ensemblequential strategies. Using a randomized block de- d’entraînement initial séquentiellement. Nous étudions plusign,we conduct a number of experiments to sta- sieurs différentes stratégies séquentielles. En utilisant untistically assess these different strategies. Our main plan d’expérience en blocs aléatoires, nous mènerons unSH = Somerville House SSC = Social Science Centre UC = University College

Mardi 30 mai • Tuesday, May 30, 15:15–16:45 143conclusion is: an SVM using a sequentially constructedtraining set is significantly more effective.certain nombre d’expériences pour évaluer statistiquementces différentes stratégies. Notre conclusion principale est lasuivante : un SVM employant un ensemble d’entraînementséquentiellement construit est significativement plus efficace[MS-170]Classification of Longitudinal Data with Missing ValuesClassification de données longitudinales avec des valeurs manquantesJulie HORROCKS, Azim BHAMANI, Hoki PONG, Marianne VAN DEN HEUVEL, Francis TEKPETEY & B. Anne CROY,University of GuelphIn this talk, we compare methods for classifyingindividuals into groups, based on longitudinal dataDans cette présentation, nous comparons des méthodes pourclassifier des individus en groupes, basées sur des donnéeswith missing values. We consider methods that longitudinales avec des valeurs manquantes. Nous considérequireimputation of missing values and methods rons les méthodes qui exigent l’imputation des valeurs manthatmodel the longitudinal data under the assump- quantes et les méthodes qui modélisent les données longitutionthat data are missing at random (MAR). As an dinales sous l’hypothèse que les données sont manquantesapplication, women are classified according to their d’une façon aléatoire. Comme application, des femmes sontresponse to in-vitro fertilization, using longitudinal classifiées selon leur réponse à la fertilisation in vitro, en utidataon adhesion of certain blood lymphocytes in lisant des données longitudinales sur l’adhérence de certainsthe days prior to ovulation.lymphocytes de sang les jours avant l’ovulation.Session 08H Mardi 30 mai • Tuesday, May 30, 15:15–16:45 SSC3014Survey Analysis and OperationsAnalyse d’enquêtes et opérations[MS-171]Methodological Innovations for the Canadian Labour Force SurveyInnovations méthodologiques dans l’Enquête canadienne sur la population activeHarold MANTEL & Edward J. CHEN, Statistics CanadaStatistics Canada’s Labour Force Survey (LFS) is amonthly rotating panel household survey that pro-L’Enquête sur la population active (EPA) de Statistique Canadaest une enquête mensuelle sur les ménages qui utiducesofficial measurements of employment char- lise une rotation de panels et qui produit des mesures ofacteristics.The LFS sample and frame are also ficielles des caractéristiques d’emploi. L’échantillon et laused by many other Statistics Canada household base de sondage de l’EPA sont aussi utilisés par plusieurssurveys. In this talk we will review methodologi- autres enquêtes sur les ménages de Statistique Canada.cal innovations introduced in a recent redesign of Dans cet exposé, nous passons en revue les innovationsthe survey including: use of more detailed geo- méthodologiques introduites lors du remaniement récent degraphical information in the clustering and strati- l’enquête incluant : l’utilisation d’information géographiquefication; introduction of special strata to target abo- plus détaillée lors de la segmentation et de la stratification ;riginals and immigrants; sample reduction in high l’introduction de strates particulières pour cibler les aboricostareas; use of the Address Register for listing gènes et les immigrants ; la réduction de l’échantillon dansdwellings in some clusters; and the use of tele- les zones à coûts élevés ; l’utilisation du registre des adressesphone for first contact whenever possible.pour lister les foyers dans certains segments ; et l’utilisationdu téléphone pour le premier contact lorsque possible.SH = Somerville House SSC = Social Science Centre UC = University College

144 Mercredi 31 mai • Wednesday, May 31, 08:30–09:30[MS-172]A Methodological Approach to Controlling Inter-monitor Variability in Computer Assisted TelephoneInterviewing OperationsUne approche méthodologique du contrôle de la variabilité entre les surveillants dans les opérationsd’entrevues téléphoniques assistées par ordinateurHansheng XIE & Walter MUDRYK, Statistics CanadaQuality Control (QC) monitoring has been implementedin Computer Assisted Telephone Interviewingoperations of most social surveys at StatisticsCanada. The QC monitoring has been demonstratedto be instrumental in lowering interviewererrors. However, the consistency and reliability ofthe monitors who evaluate and assess the interviewersremains a general concern of this technique.In this paper, we propose two methods to objectivelyevaluate inter-monitor variability over timeand determine monitors’ consistency in assessinginterviewers.Statistique Canada a exécuté la surveillance du Contrôle dela Qualité dans les opérations de l’Interview TéléphoniqueAssistée par Ordinateur de la plupart des enquêtes sociales.Cet exercice a contribué à diminuer les erreurs commisespar les interviewers. Cependant, cette technique cause unecertaine inquiétude quant à la cohérence et la fiabilité dessurveillants qui évaluent les interviewers. Dans notre article,nous proposons deux méthodes pour évaluer objectivementla variabilité entre les surveillants au cours du temps ainsique pour déterminer objectivement la cohérence des sur-veillants lors de leur évaluation des interviewers.[MS-173]What to do when Survey Weights Weigh you DownQuoi faire quand les pondérations (les poids) d’une enquête pèsent sur vousPat NEWCOMBE, Statistics CanadaDes chercheurs, employant des données d’enquête de StatistiqueCanada, sont parfois frustrés quand l’utilisation despoids d’enquête dans les modèles mène à des résultats diffé-rents de ceux obtenus sans l’utilisation des poids. Bien queStatistique Canada encourage fortement les chercheurs à em-ployer les poids afin de tenir compte du plan de sondage, lacomparaison des résultats pondérés et non pondérés demeureun outil diagnostique intéressant. Cependant, quand il y desdifférences, il n’est pas toujours facile de les justifier. Cetarticle discute de différentes approches face à ce problèmeet de l’utilisation de méthodes graphiques assez simples quipeuvent être effectuées dans SAS.Researchers using Statistics Canada survey datasometimes are frustrated when the application ofthe survey weights produces model results notablydifferent from those obtained without the use ofweights. Although Statistics Canada strongly encouragesresearchers to use the weights to accountfor the sampling design, it is a useful diagnostictechnique to compare the weighted and unweightedresults. However, when there is a difference, it isnot always obvious how to "get to the bottom ofit". This paper discusses approaches to this problem,including some fairly simple graphical methodswhich may be carried out in SAS.Session 09A Mercredi 31 mai • Wednesday, May 31, 08:30–09:30 SSC2050Pierre Robillard Award AddressAllocution du récipiendaire du prix Pierre-RobillardSH = Somerville House SSC = Social Science Centre UC = University College

Mercredi 31 mai • Wednesday, May 31, 08:30–10:00 145Session 09B Mercredi 31 mai • Wednesday, May 31, 08:30–10:00 SSC2024Applied ProbabilityProbabilités appliquées[MS-174]Three Months Journeying of a Hawaiian Monk SealLe voyage de trois mois d’un phoque moine hawaïenDavid BRILLINGER, University of California at Berkeley, Brent STEWART, Hubbs-Sea World Research Institute,Charles LITTNAN, Pacific Islands Fisheries Science Center, NOAA FisheriesLe phoque moine d’Hawaii est endémique aux îles hawaïenneset est l’espèce la plus menacée d’extinction parmiles mammifères marins vivants entièrement sur le territoiredes États-Unis. Nous avons récemment obtenu des donnéessur son habitat de broutage, ses mouvements et son compor-tement à travers les îles hawaïennes principales. Notre travailporte sur l’exploration de données d’un banc submergé (Pen-guin Banks) peu profond au sud-ouest de Molokai. Notretravail se termine par l’ajustement d’une équation différen-tielle stochastique imitant certains aspects du comportementd’une femelle phoque en travaillant avec des données depositionnement géographique.Hawaiian monk seals are endemic to the HawaiianIslands and are the most endangered speciesof marine mammal that lives entirely within thejurisdiction of the United States. Data have beencollected recently on their foraging habitats, movements,and behaviours throughout the main HawaiianIslands. Our work is directed to exploring a dataset from a relatively shallow offshore submergedbank (Penguin Banks) southwest of Molokai. Thework ends by fitting a stochastic differential equationthat mimics some aspects of the behaviour ofone female seal by working with location data.[MS-175]Return Period Models for High Sea LevelsModèles de la période de retour pour les niveaux élevés de la merBruce SMITH, Dalhousie UniversityFlood risk is a concern of individuals living incoastal areas. One sometimes hears statements likeLe risque d’inondation est une préoccupation pour les individusvivant dans les secteurs côtiers. Nous entendons parfois"the 20 year flood level here is 12 metres", which is des énoncés tels que « le niveau d’inondation aux 20 ans àinterpreted to mean that the expected number of sea cet endroit est de 12 mètres », ce qui veut dire que, sur unelevel exceedances above 12 metres over a 20 year période de 20 ans, le niveau dépassera celui de la mer de 12time period is one. But how does one determine mètres en moyenne une fois. Mais comment détermine-t-onthat 12 metres is the appropriate 20 year level? que 12 mètres est le niveau approprié pour 20 ans ? QuelquesSome probabilistic results for point processes will résultats probabilistes relatifs aux processus ponctuels serontbe reviewed, followed by an examination of some passés en revue ainsi que quelques propriétés empiriques duempirical features of sea level records, which will niveau de la mer. Le tout sera utilisé pour développer desbe incorporated to develop models of the intensity modèles pour la fonction d’intensité des processus de dépasfunctionof sea level exceedance processes. sement du niveau de la mer.[MS-176]Finite Memory Polya UrnsUrnes de Polya à mémoire finieGlen TAKAHARA, Queen’s University, Chris LEITH, Royal Bank of CanadaLe célèbre modèle d’urne de Polya et ses généralisationssont caractérisées par une mémoire infinie dans le proces-sus du tirage des boules : les boules placées dans l’urne ontThe well-known Polya urn model and its generalizationsare characterized by infinite memory inthe process of ball draws: balls placed in the urnSH = Somerville House SSC = Social Science Centre UC = University College

146 Mercredi 31 mai • Wednesday, May 31, 08:30–10:00une influence décroissante mais sans fin sur les futurs tirages.Cependant, la mémoire infinie est superflue ou inappropriéepour certaines modélisations. Dans cet exposé, nous décri-vons une classe de modèles d’urnes de Polya à mémoire fi-nie et les comparons à leurs équivalents infinis en termesd’applications et de propriétés asymptotiques. Les applica-tions étudiées incluent les canaux de communication avecmémoire et les algorithmes évolutifs en ligne. Les proprié-tés asymptotiques sont obtenues sous différents régimes delimites lorsque le temps et/ou la mémoire devient grande.have a diminishing but never-ending influence onfuture ball draws. However, infinite memory is superfluousor inappropriate for certain modeling situations.In this talk we describe a class of finitememory Polya urn models and compare them totheir infinite memory couterparts in terms of applicationsand asymptotics. Applications includecommunication channels with memory and onlineevolutionary algorithms. The asymptotics are undervarious limiting regimes one obtains as timeand/or memory get large.Session 09C Mercredi 31 mai • Wednesday, May 31, 08:30–10:00 SSC2036Analysis of Longitudinal Complex Survey Data Using Marginal Modelling and GEE:Theory and PracticeAnalyse de données longitudinales d’enquêtes complexes utilisant la modélisation marginaleet les EEG : théorie et pratique[MS-177]Goodness-of-fit Tests of Marginal Logistic Models for Longitudinal Complex Survey DataTests d’adéquation de modèles logistiques marginaux pour des données longitudinales d’enquêtes complexesGeorgia ROBERTS, Statistics Canada, J.N.K. RAO, Carleton University & Statistics Canada, Qunshu REN, CarletonUniversityDue to survey design features, longitudinal surveydata exhibit complexities not present in tradi-Étant donné les caractéristiques du plan de sondages, lesdonnées de sondage longitudinales présentent des complexitionallongitudinal data. Ren and Roberts (2005) tés absentes pour des données longitudinales traditionnelles.studied marginal logistic regression models for bi- Ren et Roberts (2005) ont étudié les modèles de régresnaryresponses using design-weighted Generalized sion logistique marginaux pour réponses binaires en utilisantEstimating Equations to estimate model parame- des équations estimatrices généralisées pondérées par le planters, odds ratios for association between pairs of d’expérience pour estimer les paramètres du modèle, les rapbinaryresponses of the same subject, and a one- ports de cotes pour l’association entre les paires de réponsesstep estimating function bootstrap for variance es- binaires pour le même sujet et un bootstrap à une étapetimation. In this paper, we develop formal tests de la fonction estimatrice pour estimer la variance. Dansto assess the goodness-of-fit of the model mean cet article, nous développons des tests formels pour évaluerspecification, accounting for the survey design, in- l’ajustement de la spécification de la moyenne du modèle encluding quasi-score, adjusted chi-squared, normal- prenant en considération le plan de sondage, incluant les méapproximation-basedand simulation-based meth- thodes de quasi-cote, de khi-deux ajusté, d’approximationods. Proposed tests are applied to longitudinal data normale et de simulation. Les tests proposés sont appliquésfrom Statistics Canada’s NPHS.à des données longitudinales de l’ENSP de Statistique Canada.SH = Somerville House SSC = Social Science Centre UC = University College

Mercredi 31 mai • Wednesday, May 31, 08:30–10:00 147[MS-178]Efficiency Comparisons of GEE versus IEE for Longitudinal Complex Survey Data with Ordinal ResponsesComparaisons de l’efficacité de la méthode des EEG par rapport à la méthode des EEI pour des donnéeslongitudinales ordinales d’enquêtes complexesAbdelnasser SAIDI, Statistics Canada, Diane STUKEL, UNESCO, Susana RUBIN-BLEUER, Statistics CanadaWe use the proportional odds marginal model andthe “independence estimating equations” (IEE) andNous avons recours au modèle marginal à cotes proportionnellesde même qu’aux méthodes des « équationsthe “generalized estimating equations” (GEE) ap- d’estimation indépendantes » (EEI) et des « équations d’estiproachesfor modeling longitudinal ordinal com- mation généralisées » (EEG) pour modéliser les donnéesplex survey data. The IEE assumes that obser- longitudinales ordinales d’enquêtes complexes. Dans levations on a subject over time are independent, cadre de la méthode des EEI, on suppose que les obserwhereasthe GEE assumes a working correlation vations faites sur un sujet au fil du temps sont indépenstructureover time. Our objective is to deter- dantes, tandis qu’on suppose une structure de corrélationmine “best practices” under this set-up: we com- au fil du temps dans le cadre de la méthode EEG. Notrepare through simulation the efficiency of GEE ver- objectif est d’établir des « pratiques exemplaires » dans cesus IEE under models having differing longitudi- contexte : nous exécutons une simulation comparant les deuxnal correlation structures of both the responses and méthodes sous l’angle de l’efficacité de modèles présentantthe covariates. To measure the efficiency, we con- des structures de corrélation longitudinale de réponses etsider two approaches to obtaining variance esti- de covariables différentes. Pour mesurer l’efficacité, nousmates: the Liang-Zeger Taylor (“sandwich”) vari- examinons deux méthodes de calcul d’estimation de la vaanceand the One-Step Jackknife. riance, soit les méthodes Liang-Zeger Taylor (« sandwich »)et la méthode Jackknife à une étape.[MS-179]Modelling of Longitudinal Polytomous Outcomes From Complex Survey Data: Using GEE and MissingData AnalysisModélisation des résultats polychotomiques longitudinaux pour des données complexes d’une enquête :utilisation du EEG et de l’analyse de données manquantesPunam PAHWA, Dept. of Community Health and Epidemiology, Chandima KARUNANAYAKE & Helen MCDUFFIE, Inst.of Agricultural Rural and Environmental HealthLes méthodes statistiques ont été utilisées pour adapter lesmodèles de régressions logistiques ordonnés pour les résul-tats polychotomiques qui expliquent la complexité d’un pland’enquête à plusieurs degrés et incorporent également le re-groupement sujet-niveau (en raison des observations répé-tées sur un sujet). Le premier ensemble de modèles a étébasé sur l’approche d’équations d’estimation généralisées(EEG) à plan pondéré en supposant que les observationsmanquantes étaient absentes complètement au hasard. Ledeuxième ensemble de modèles a été adapté en utilisant EEGpour étudier comment la structure des données manquantesinfluence les résultats obtenus à partir de l’analyse précé-dente. Les analyses ont été appliquées aux données longi-tudinales de santé mentale disponibles à partir de ENSP deStatistique Canada.The statistical methods were used to fit ordered logisticregression models for polytomous outcomeswhich account for the complexity of a multi-stagesurvey-design and also incorporate the subjectlevelclustering (as a result of repeated observationson a subject). The first set of models werebased on the design-weighted generalized estimatingequations (GEE) approach assuming missingobservations were missing completely at random.The second set of models were fitted using GEE toinvestigate how missing data patterns influence theresults obtained from the previous analysis. Theanalyses were applied to mental health longitudinaldata available from Statistics Canada’s NPHS.SH = Somerville House SSC = Social Science Centre UC = University College

148 Mercredi 31 mai • Wednesday, May 31, 10:30–12:00[MS-180]Design-based Versus Model-based Methods: A Comparative Study Using Longitudinal Survey Data.Les méthodes basées sur le plan de sondage versus les méthodes basées sur un modèle : étude comparative enutilisant des données longitudinales d’une enquête.Sunita GHOSH & Punam PAHWA, University of Saskatchewan, Geert MOLENBERGHS, Hasselt UniversitySurvey data analysis using complex sampling designsought to account for clustering, stratifica-L’analyse de données d’un sondage en employant des plansd’échantillonnage complexes doit tenir compte du regroupetionand unequal probability of selection. Design- ment des unités, de la stratification et de la probabilité inbasedand model-based methods are two com- égale de sélection. La méthode basée sur le plan et celle bamonlyused routes taken to account for such sur- sée sur le modèle sont deux méthodes généralement utiliséesvey designs. Several cross-sectional survey design pour considérer de tels plans de sondage. Plusieurs étudesstudies have shown that these two approaches pro- de plan de sondage transversales ont prouvé que ces deuxvide similar results when the model fits the data approches fournissent des résultats semblables quand le mowell.The present paper aims at comparing these dèle représente bien les données. Ce papier vise à compatwoapproaches using NPHS dataset. A marginal rer ces deux approches en utilisant les données de l’ENSP.modeling approach proposed by Rao (1998) (de- Un modèle utilisant les marginales proposé par Rao (1998)sign based) and Generalized Estimating Equa- (basée sur le plan) et la méthode généralisée d’estimationtion method, proposed by Liang and Zeger (1986) d’équation, proposée par Liang et Zeger (1986) (basé sur le(model-based), will be used. Results obtained from modèle), seront utilisés. Des résultats obtenus à partir de cesthese methods will be compared.méthodes seront comparés.Session 10A Mercredi 31 mai • Wednesday, May 31, 10:30–11:30 SSC2050Special Invited Session of the Biostatistics SectionAllocution de l’invité d’honneur du Groupe de biostatistique[MS-181]Weaknesses and Strengths of a Bayesian Approach in Clinical ResearchFaiblesses et forces d’une approche bayésienne en recherche cliniqueDonald BERRY, The University of Texas M.D. Anderson Cancer CenterI argue that almost all statistical analyses arewrong, regardless of their philosophical underpinnings!Bayesian analyses are especially susceptibleto erroneous conclusions. A rigorous frequentistapproach is immune. But it comes with heavy baggagethat slows progress. In attempting to lightenthe load, I turn to Bayesian innovations in clinicaltrials, especially design. I describe some of thesebenefits and relate them to modern attitudes in drugand medical device development, and to attitudesin cancer cooperative groups and at my institution.Of special importance are the uses of (i) flexible,adaptive designs, (ii) predictive probabilities, and(iii) hierarchical modeling.Je soutiens que presque toutes les analyses statistiques, indépendammentde leurs fondements philosophiques, sonterronées ! Les analyses bayésiennes sont particulièrementsusceptibles de mener à des conclusions erronées. Une ap-proche rigoureuse fréquentiste y est immunisée. Cependant,une telle approche vient avec une lourde charge rendantdifficile le traitement des problèmes. Dans le but d’allégercette charge, je me tourne vers les innovations bayésiennesdans les essais cliniques, particulièrement vers la concep-tion de plans d’expérience. Je décris certains des avantageset j’établis un rapport avec les attitudes modernes vis-à-vis ledéveloppement de médicaments et d’appareils médicaux, etles attitudes prônées par les groupes coopératifs de cancer etpar mon établissement. Une importance particulière est accordéeà l’utilisation (i) de plans d’expérience adaptatifs etflexibles, (ii) de probabilités prédictives, (iii) d’une modélisationhiérarchique.SH = Somerville House SSC = Social Science Centre UC = University College

Mercredi 31 mai • Wednesday, May 31, 10:30–12:00 149Session 10B Mercredi 31 mai • Wednesday, May 31, 10:30–12:00 SSC2036Recent Advances in SPC and Data Driven StatisticsDéveloppements récents en CSP et statistiques guidées par les données[MS-182]Statistical Process Control and the Problem of Unknown ParametersDifficultés causées par la présence de paramètres inconnus en contrôle des procédés.Douglas HAWKINS, University of MinnesotaUntil recently, statistical process control (SPC) hasbeen reminiscent of statistics pre-Student. Parameterestimates would be plugged in where exact parameterswere required, and the resulting tools usedas if these estimates were the true parameters. Itis now appreciated that estimated parameters causemuch more severe distortion in SPC tools than inclassical statistics. Some researchers, parallelingStudent, are studying the impact that parameter estimationhas on existing SPC tools. Others are devisingnew tools that do not involve parameters thatneed to be estimated. The talk sketches some ideasand results from both threads of research.Jusqu’à récemment, la statistique du contrôle des procédés(SCP) rappelait la statistique de la période pré-Student. Desvaleurs estimées des paramètres sont souvent substituées auxvraies valeurs de ces paramètres, les outils résultants les uti-lisant sans distinction. On se rend compte maintenant quel’estimation des paramètres amène un biais beaucoup plusgrave dans l’utilisation des outils de SCP que dans la statis-tique classique. Quelques chercheurs, imitant Student, étudientl’impact de l’estimation des paramètres sur les ou-tils usuels de SCP. D’autres conçoivent des nouveaux outilsn’impliquant pas de paramètres de nuisance. Cette présenta-tion propose quelques idées et résultats des deux écoles depensées.[MS-183]Shewhart Control Charts in New PerspectiveUne nouvelle perspective pour les cartes de contrôle ShewhartWillem ALBERS & Wilbert C.M. KALLENBERG, University of TwenteParameter estimation and/or lack of normalitystrongly affect standard control charts. CorrectionsL’estimation des paramètres et/ou l’absence de normalité affectentfortement les cartes de contrôle standard. Des correcarepresented, as well as extensions to parametric tions sont présentées, aussi bien qu’une extension aux cartesand nonparametric charts. A flexible parametric paramétriques et non paramétriques. Un choix paramétriquechoice is based on the normal power family. If flexible est basé sur la famille normale de puissance. Si cethis is still not adequate, a nonparametric chart is n’est toujours pas adéquat, une carte non paramétrique est facalledfor. Finally, a data driven procedure can vorisée. Finalement, un procédé guidé par les données mènechoose between the three different charts. Once à un choix entre les trois cartes différentes. Une fois quethe nonparametric option is selected, many Phase I l’option non paramétrique est choisie, plusieurs observationsobservations should be available. If that is not the en phase I devraient être disponibles. Si ce n’est pas le cas,case, the individual chart should be replaced by a la carte individuelle devrait être remplacée par une autre engrouped one. A newly proposed ‘minimum chart’ groupe. Une carte minimale nouvellement proposée est alorsis then recommended.recommandée.SH = Somerville House SSC = Social Science Centre UC = University College

150 Mercredi 31 mai • Wednesday, May 31, 10:30–12:00[MS-184]On t and EWMA t Charts for Monitoring Changes in the Process MeanSur des cartes de contrôle t et EWMA t pour étudier le changement dans la moyenne du processusLingyun ZHANG, Massey University, Gemai CHEN, University of CalgaryThe performance of X chart is usually and naturallystudied under the assumption that the process vari-La performance du diagramme X est habituellement et naturellementétudiée sous l’hypothèse que la variance du proanceis well estimated or does not change. This is, cessus est bien estimée ou ne change pas. Ce n’est, naturelofcourse, not always the case in practice. We find lement, pas toujours le cas dans la pratique. Nous constatonsthat in the No case, X charts are not robust against que dans un nombre de cas, les diagrammes X ne sont paserrors in variance estimation or changing variance. robustes contre des erreurs d’estimation de la variance ouIn this talk we discuss the use of a t chart and an Ex- du changement de la variance. Dans cet entretien nous disponentiallyWeighted Moving Average (EWMA) cutons l’utilisation d’un diagramme t et d’un diagramme tt chart to monitor the process mean. We show moyenne mobile exponentiellement pondérée (MMEP) pourthat the EWMA t chart has the desired robustness contrôler la moyenne du processus. Nous démontrons queproperty when the process variance is poorly es- le diagramme t MMEP possède la propriété désirée de rotimatedor is changing, and performs similarly to bustesse quand la variance du processus est mal estimée outhe EWMA X chart when the variance is well esti- instable, et performe aussi bien que le diagramme X MMEPmated or does not change.quand la variance est bien estimée ou n’est pas instable.Session 10C Mercredi 31 mai • Wednesday, May 31, 10:30–12:00 SH3345Analyzing Data from International SurveysAnalyse de données d’enquêtes internationales[MS-185]Examples From Large-scale Skill AssessmentExemples à partir d’évaluations d’habiletés à grande échelleScott MURRAY, UNESCO Institute for StatisticsThe large-scale assessment of proficiency is oneof the most rapidly expanding areas of statistics.This paper draws upon examples from three internationalcomparative studies—the OECD PISAstudy, Statistics Canada’s and NCES’s InternationalAdult Literacy Survey (IALS) and UNESCOOREALC’s Latin American Laboratorio for theEvaluation of Educational Quality (LLECE)—toillustrate the analytic techniques that are being appliedto extract information value from the assessmentsfor use by policy makers. The paper willalso provide some information on the nature ofmeasurement error that characterizes such assessmentsand what steps are being taken to controlthem to manageable levels.L’évaluation à grande échelle de la compétence est l’undes secteurs statistiques dont l’expansion est la plus rapide.Cet article utilise les exemples de trois études com-paratives internationales – l’étude OCDE PISE, l’Enquêteinternationale sur l’alphabétisation et les compétences desadultes (EIACA) de Statistique Canada et de « NCES » et« l’UNESCO OREALC Latin American Laboratorio for theEvaluation of Educational Quality (LLECE) » – pour illus-trer les techniques analytiques qui sont appliquées pour ex-traire la valeur de l’information à partir des évaluations àl’usage des décideurs. L’article fournira également quelquesinformations sur la nature de l’erreur de mesure qui caracté-rise de telles évaluations et quelles mesures sont prises pourles contrôler à des niveaux gérables.SH = Somerville House SSC = Social Science Centre UC = University College

Mercredi 31 mai • Wednesday, May 31, 10:30–12:00 151[MS-186]Child Poverty and Changes in Child PovertyLa pauvreté chez l’enfant et les changements dans la pauvreté chez l’enfantMiles CORAK, Statistics CanadaThis paper documents levels and changes in childpoverty rates in 12 OECD countries using dataCet article documente les niveaux et les changements dansles taux de pauvreté chez l’enfant dans 12 pays de l’OCDEfrom the Luxembourg Income Study project, and en utilisant les données du projet Luxembourg Income Studyfocusing upon an analysis of the reasons for project, et se focalisant sur une analyse des raisons des chanchangesover the 1990s. The objective is to un- gements au cours des années 90. L’objectif est de découvrircover the relative role of income transfers from the le rôle relatif des transferts de revenu de l’état en détermistatein determining the magnitude and direction nant la grandeur et la direction du changement des taux deof change in child poverty rates, holding other de- pauvreté chez l’enfant, en fixant les autres facteurs démogramographicand labour market factors constant. As phiques et le marché du travail. Ainsi, cet article offre unesuch the paper offers a cross-country overview of vue d’ensemble transnationale de la pauvreté chez l’enfant,child poverty, changes in child poverty, and the im- changement dans la pauvreté chez l’enfant, et l’impact despact of public policy in North America and Europe. politiques d’intérêt public en Amérique du nord et l’Europe.[MS-187]Analysis and Availability of Data Collected Via International Household Surveys ProgramsAnalyse et disponibilité des données provenant de programmes d’enquêtes internationales sur les ménagesEdilberto LOAIZA, UNICEFSince the 1970s a couple of household surveys programshave been provided, for developing coun-Depuis les années 1970, deux programmes d’enquêtes surles ménages ont été fournis pour répondre aux besoins destries. They needed data to develop and monitor pays en voie de développement. Ils avaient besoin de dispopolicies,programs and interventions in the areas of ser de données afin de pouvoir développer des politiques ethealth, nutrition, family planning and population. faire des suivis dans les domaines de la santé, de la nutri-The Demographic and Health Surveys (DHS) pro- tion, de la planification familiale et de la population. Le programsponsored by USAID and UNICEF’s Multi- gramme « Demographic and Health Surveys (DHS) », sousple Indicators Cluster Survey (MICS) are analyzed l’égide de l’USAID, ainsi que le « Multiple Indicators Clusinthis presentation with the objective of presenting ter Survey » (MICS) d’UNICEF sont analysés dans cette prétherichness of these two data sources as well as sentation, avec pour objectif de présenter la richesse de cesthe potentials for further analysis and comparabil- deux sources d’information et le potentiel en données pourity across time. Some examples are presented in the faire des analyses plus approfondies et une compatibilité àcontext of the work developed by UNICEF in the travers le temps. Certains exemples sont présentés dans lecountries where these programs have taken place. contexte du travail développé par UNICEF dans les pays oùOf particular importance is the reference to the role ces programmes sont utilisés. La référence au rôle de cesthese two data sources have played in monitoring deux sources de données dans la surveillance des engagecountry’scommitments towards the 2015 Millen- ments pris par les pays envers les « Objectifs de développeniumDevelopment Goals.ment du millénaire 2015 » est d’une importance particulière.SH = Somerville House SSC = Social Science Centre UC = University College

152 Mercredi 31 mai • Wednesday, May 31, 10:30–12:00Session 10D Mercredi 31 mai • Wednesday, May 31, 10:30–12:00 SSC3018Statistical Analysis of Non-precise DataAnalyse statistique des données imprécises[MS-188]Fuzzy Information and StatisticsL’information floue et la statistiqueReinhard VIERTL, Vienna University of TechnologyIl est fréquent que les données utilisées en statistique nesoient pas des nombres précis mais soient plus ou moinsimprécis. En particulier, toutes les mesures de quantitéscontinues sont imprécises. Cette sorte d’incertitude relativeaux données est différente des erreurs et les modèles flousconviennent mieux pour la décrire. Les méthodes statistiquesdoivent être adaptées pour ce type de données. En utilisantle concept de propagation de l’imprécision de la théorie desensembles flous, cela est possible à la fois pour les statis-tiques descriptives et l’inférence statistique. En inférencebayésienne, il faut prendre en considération un autre typed’information imprécise : l’information a priori imprécise,modélisée par les distributions dites floues.Data used in statistics are frequently not precisenumbers but more or less non-precise. Especiallyall measurement results from continuous quantitiesare non-precise. This kind of data uncertainty isdifferent from errors and can be best described byfuzzy models. Now statistical methods have to beadapted for that kind of data. This is possible fordescriptive statistics as well as for statistical inferenceby applying the concept of propagation of imprecisionfrom fuzzy set theory. In Bayesian inferencethere is another kind of non-precise information:non-precise a-priori information. The mathematicalmodel for that are so-called fuzzy probabilitydistributions.[MS-189]Classification of Non-precise DataClassification de données non précisesFrançois THÉBERGE & Mayer ALVO, University of OttawaNon-precise data arise when it is the imprecisionof the observation itself that is of interest ratherthan the uncertainty due to statistical variation.We present a framework to address the problemof multi-population classification for non-precisedata. This is achieved by adapting the usual classificationrule to take into account the characterizingfunctions of the observations. We also comparea new likelihood score function for non- precisequantities to a straightforward extension fromprobability density functions and show that the formeris always a better choice under some global errorcriterion. Results are illustrated via examples.Les données non précises surgissent lorsque c’est l’imprécisionde l’observation elle-même qui est d’intérêt plutôt quede l’incertitude due à la variation statistique. Nous présentonsun cadre pour adresser le problème de la classificationde multi-population pour des données imprécises. Ceci estréalisé en adaptant la règle habituelle de classification pourtenir compte des fonctions caractérisantes des observations.Également, nous comparons une nouvelle fonction de cotesde vraisemblance pour des quantités imprécises à une exten-sion directe des fonctions de densité de probabilité et nousprouvons que la première est toujours un meilleur choix sousun certain critère d’erreur global. Des résultats sont illustréspar des exemples.SH = Somerville House SSC = Social Science Centre UC = University College

Mercredi 31 mai • Wednesday, May 31, 10:30–12:00 153[MS-190]A Classical Goodness-of-fit Test Based on Fuzzy Random VariablesUn test classique d’ajustement basé sur des variables aléatoires flouesMaria GIL, Gil GONZALEZ-RODRIGUEZ & Ana COLUBI, Universidad de Oviedo, SpainIn a previous paper a class of characterizing fuzzyrepresentations of a random variable has been in-Dans un article précédent, nous avons introduit des représentationsfloues d’une variable aléatoire. Une représentatroduced.Each fuzzy representation corresponds tion floue est une variable aléatoire floue (au sens de Puri etto a fuzzy random variable (in Puri and Ralescu’s Ralescu) dont la valeur de l’espérance (floue) caractérise lasense) whose (fuzzy) expected value characterizes distribution de la variable aléatoire originale.the distribution of the original random variable. Le problème du test pour un échantillon des hypothèses bi-The problem of the one-sample testing of the two- latérales sur l’espérance d’une variable aléatoire floue a étésided hypothesis about the mean of a fuzzy random traité en détail dans un autre article.variable has been also discussed in depth in another La combinaison de ces deux instruments nous conduit àpaper.l’obtention de tests d’ajustement pour variables aléatoires àBy combining both tools, classical goodness-of- valeurs réelles. Les premières études empiriques ont monfittests for real-valued random variables can be tré des résultats encourageants lorsqu’on les compare à ceuxdeveloped. The first preliminary empirical stud- des tests d’ajustement habituels.ies show a suitable behavior when compared withwell-known methods.Session 10E Mercredi 31 mai • Wednesday, May 31, 10:30–12:00 SSC2024Case Study II: Obstructive Sleep ApneaÉtude de cas II : L’apnée obstructive du sommeilSession 10F Mercredi 31 mai • Wednesday, May 31, 10:30–12:00 SSC3026Time SeriesSéries chronologiques[MS-191]Variable Selection in Generalized Linear Models by Empirical LikelihoodSélection de variables par la vraisemblance empirique dans un modèle linéaire généraliséAsokan MULAYATH VARIYATH, Bovas ABRAHAM & Jiahua CHEN, University of WaterlooVariable selection is an important topic widely discussedin the statistical literature. The main objectiveof variable selection is to identify the leastnumber of covariates that explain the response variableappropriately. There are many variable selectionprocedures such as AIC, BIC, cross validation.The information based criteria such as AICand BIC often need a well defined parametric likelihood.In generalized linear models, however, thelikelihood is usually not well defined. In this context,we propose to use the empirical likelihoodbased AIC and BIC for the purpose of model selection.A sub-model in GLM is defined by settingLa sélection de variables est un sujet important très présentdans la littérature statistique. L’objectif principal de la sé-lection de variables est d’identifier le plus petit nombre decovariables expliquant adéquatement la variable réponse. Ilexiste plusieurs procédures de sélection de variables, commele AIC, le BIC et la validation croisée. Les critères AIC etBIC, basés sur l’information, nécessitent souvent une vrai-semblance paramétrique bien définie. Sous des modèles li-néaires généralisés, cependant, la vraisemblance n’est géné-ralement pas bien définie. Dans ce contexte, nous proposonsl’utilisation du AIC et BIC basés sur la vraisemblance em-pirique afin de sélectionner le modèle. En MLG, un sous-modèle est défini en fixant certains coefficients de régres-SH = Somerville House SSC = Social Science Centre UC = University College

154 Mercredi 31 mai • Wednesday, May 31, 10:30–12:00some regression coefficients to 0. Its profile empiricallikelihood is computed under the constraintsof the equations specified by the full GLM, withthese regression coefficients equating to 0. We proposea method to ensure the existence of solutions.The new procedure has similar properties to that ofAIC and BIC under parametric model assumptions.The simulations results show that the new methodworks well.sion à 0. Sa vraisemblance empirique de profil est calculéesous les contraintes sur les équations spécifiées par le MLGcomplet, avec ces coefficients de régression égaux à 0. Nousproposons une méthode pour nous assurer de l’existence desolutions. La nouvelle procédure a des propriétés similairesau AIC et BIC sous l’hypothèse d’un modèle paramétrique.Les résultats de simulation démontrent que la nouvelle méthodefonctionne bien.[MS-192]Normal Mixtures GARCH Models and Option PricingModèles GARCH de mélanges normaux et évaluation d’optionAlex BADESCU & Reg KULPERGER, University of Western Ontario, Emese LAZAR, University of ReadingL’asymétrie et l’aplatissement des excès de retours d’actifsont été récemment expliqués dans le cadre d’un modèleGARCH en employant différentes hypothèses sur la distri-bution du bruit. Cependant l’évaluation des dérivés a été ra-rement abordée. Nous analysons l’évaluation de la perfor-mance d’un modèle GARCH de mélange normal asymé-trique avec une variance à deux composantes. Nous calcu-lons différentes options de prix pour un indice d’action pourdifférentes caractéristiques de GARCH sous différentes me-sures indifférentes au risque.The skewness and excess kurtosis of the assetreturns were recently explained in the GARCHframework by using different distributional assumptionson the driving noise. However derivativesvaluation was rarely addressed. We analyzethe pricing performance of an asymetric normalmixture GARCH model with two variance components.We compute option prices on an Index stockfor different GARCH specifications under differentrisk neutral measures.[MS-193]Quasi-empirical Bayes Methods of Estimation in ARMA modelsMéthodes quasi bayésiennes dans l’estimation des modèles ARMAMohamedou OULD HAYE & A. K. Md. E. SALEH, Carleton UniversityDans cet expose, nous explorons les propriétés asymptotiquesde plusieurs estimateurs des coefficients d’un proces-sus ARMA(p, q) sous l’hypothèse de vague information surla composante moyenne mobile MA. En particulier, nouscomparons l’estimateur classique de maximum de vraisem-blance (MLE), que nous appelons ici l’estimateur non res-treint, a différents types d’estimateurs tels que l’estimateurde test préliminaire (PTE), le maximum de vraisemblancerestreint, l’estimateur de Stein, ainsi que l’estimateur dit derègle positive. Nous montrons qu’en présence d’informationsur la composante moyenne mobile, et en termes de mi-nimisation de la variance, tous ces estimateurs donnent demeilleurs résultats que le classique maximum de vraisem-blance. Nous comparons aussi l’efficacité de ces estimateurssous des hypothèses alternatives contiguës.This talk investigates the asymptotic properties ofvarious estimators of coefficients in an ARMA(p, q)model when vague non-sampling information onthe moving average part is available. In particular,we discuss the usual MLE (called unrestricted estimator),restricted MLE (based on vague information),preliminary test estimator, shrinkage estimatorand the positive rule estimator of the autocorrelations.It is shown that near the prior informationon the MA-parameters, the restricted, preliminarytest and shrinkage estimators perform better thanthe unrestricted estimator, while their superioritychanges as MA-parameters divert from the priorinformations. The analysis is based on the asymptoticproperties of the estimators under contiguousalternatives.SH = Somerville House SSC = Social Science Centre UC = University College

Mercredi 31 mai • Wednesday, May 31, 10:30–12:00 155[MS-194]Algorithm of Maximum Likelihood Parameters Estimation for First-order Superdiagonal Bilinear TimeSeriesAlgorithme d’estimation par maximum de vraisemblance des paramètres du modèle bilinéairesuperdiagonal d’ordre unKhadija BOUZAACHANE, Ecole Mohammadia d’Ingénieurs, Maroc, Youssef BENGHABRIT, Ecole Nationale Supérieuredes Arts et Métiers, Meknès, Mostaf HARTI, Université Sidi Mohammed Ben Abdellah, MarocBilinear models represent a simple and powerfulclass of nonlinear models. Their analysis and par-Les modèles bilinéaires représentent une classe particulièredes modèles non linéaires de séries chronologiques.ticularly the estimation of their parameters is of L’estimation des paramètres de ces modèles a été peucentral interest. Our work deals with the design développée et demeure un axe de recherche intéressant.of a new algorithm for estimating the parameters Dans notre travail nous avons établi un nouvel algorithmeof the first-order superdiagonal bilinear time se- d’estimation des paramètres des modèles bilinéaires. Cetries model. This iterative algorithm is based on algorithme est fondé sur la méthode du maximum de vraimaximumlikelihood method and the widely used semblance et le filtre de Kalman. Pour démontrer l’utilité etKalman filter.la bonne performance de notre algorithme nous avons généréTo demonstrate the usefulness of our algorithm se- des séries de simulations par la méthode de Monte Carlo.ries of Monte Carlo simulations were performed.[MS-195]Improved Estimation for Dynamic Linear Regression ModelEstimation améliorée pour un modèle de régression linéaire dynamiqueZahirul HOQUE, University of Newcastle, Australia, Richard GERLACH, University of Sydney, AustraliaThis study investigates the preliminary test andshrinkage estimators of linear state space regressionmodel via Kalman filtering. The performanceof the estimators, with respect to mean squared error,has been investigated. It has been revealed thatunder certain conditions both preliminary test andshrinkage estimators outperform Kalman filter butshrinkage estimator is superior to preliminary testestimator. Hence, the result presented in this paperinvalidates the minimum mean square error propertyof Kalman filter that is widely used by the engineersfor estimation of the parameters of linearstate space models.Cette étude porte sur le test préliminaire et les estimateurspar rétrécissement d’un modèle de régression spatiale à étatlinéaire avec filtrage de Kalman. La performance des esti-mateurs a été étudiée en ce qui a trait à l’erreur quadratiquemoyenne. Sous certaines conditions, le test préliminaire etl’estimateur par rétrécissement sont plus performants quele filtre de Kalman, mais l’estimateur par rétrécissements’avère supérieur à l’estimateur du test préliminaire. Les ré-sultats présentés dans cet article invalident donc la propriétéd’erreur quadratique minimale du filtre de Kalman, large-ment utilisé en ingénierie pour l’estimation des paramètresde modèles spatiaux à état linéaire.[MS-196]Subset Autoregression: A New ApproachUne nouvelle approche pour modèles autorégressifs sur sous-ensemblesIan MCLEOD, University of Western Ontario, Ying ZHANG, AcadiaA new family of subset autoregressive models areintroduced and a comprehensive approach to modelidentification, estimation and diagnostic checkingis developed for these models. Also a new versionof the partial autocorrelation plot is introduced.Une nouvelle famille de modèles à sous-ensembles autorégressifsest introduite et une approche compréhensive àl’identification de modèle, à l’estimation et à la vérificationdiagnostique est développée pour ces modèles. Une nouvelleversion du graphe d’autocorrélation partielle est aussi pré-SH = Somerville House SSC = Social Science Centre UC = University College

156 Mercredi 31 mai • Wednesday, May 31, 10:30–12:00These new models are better suited to efficientmodel building of high-order autoregressions withlong time series. Several illustrative examples aregiven.An R package implementation is available.sentée.Ces nouveaux modèles sont plus adaptés à la constructionde modèles efficaces d’autorégression d’ordre élevé aveclongues séries chronologiques. Plusieurs exemples illustratifssont présentés.Une implémentation sous R est disponible.Session 10G Mercredi 31 mai • Wednesday, May 31, 10:30–12:00 SSC3006Probability and Mathematical StatisticsProbabilité et statistique mathématique[MS-197]Forward-backward Stochastic Differential Equations and Transforms for Affine DiffusionsLes équations différentielles stochastiques directes et rétrogrades et les transformations pour diffusionsaffinesCody HYNDMAN, University of CalgaryFor an affine diffusion we show how forwardbackwardstochastic differential equations (FB-SDEs) can be employed to characterize generaltransforms, including the Fourier transform as aspecial case, in terms of the solution of Riccati ordinarydifferential equations. The transforms canbe employed to calculate prices of derivative securitieswhere the underlying asset price is driven bythe affine diffusion. Numerical techniques for thesolution of the associated FBSDE are explored inthe context of simulation techniques not requiringthe solution of the Riccati equations.Pour une diffusion affine nous montrons comment des équationsdifférentielles stochastiques directes et rétrogrades(EDSDR) peuvent être utilisées pour caractériser les trans-formations générales, y compris la transformation de Fou-rier comme cas spécial, en termes de solution des équa-tions différentielles ordinaires de Riccati. Les transforma-tions peuvent être utilisées pour calculer les prix des titresdérivés où le prix des actifs sous-jacents est conduit par ladiffusion affine. Des techniques numériques pour la solu-tion des EDSDR associées sont explorées dans le contextedes techniques de simulation n’exigeant pas la solution deséquations de Riccati.[MS-198]Maximizing Expected Utility Through Forward-backward Stochastic Differential EquationsOptimisation de l’utilité espérée par le biais d’équations différentielles stochastiques directes et rétrogradesFrançois WATIER & René FERLAND, Université du Québec à MontréalUtility portfolio selection is concerned for examplewith developing dynamic strategies which maximizethe expected utility from terminal wealth. Inthe litterature explicit optimal portfolios are mainlygiven when the interest rate of the bond, the appreciationrate and volatility of the stocks are taken asdeterministic. We derive here an optimal portfoliofor a continuous-time model with random coefficientsand express the optimal portfolio in termsof the solution of forward-backward stochastic differentialequations (solutions of these can be computedexplicitly in the case of some classes of utilityfunctions).En sélection de portefeuille par utilité, nous nous intéressons,par exemple, à développer des stratégies dynamiquesmaximisant l’utilité espérée de la richesse terminale. Dansla littérature, des portefeuilles optimaux explicites sont sur-tout donnés lorsque les coefficients du marché sont considé-rés comme fixes. Nous obtenons ici un portefeuille optimalpour un modèle à temps continu avec coefficients du mar-ché aléatoires. Nous montrons que des solutions à ce pro-blème peuvent être obtenus par l’étude d’équations diffé-rentielles stochastiques directes et rétrogrades, dont les so-lutions peuvent être calculées explicitement dans le cas decertaines classes de fonctions d’utilité.SH = Somerville House SSC = Social Science Centre UC = University College

Mercredi 31 mai • Wednesday, May 31, 10:30–12:00 157[MS-199]A Two-sample Copula ProcessUn processus de copules pour deux échantillonsAdriana JORDAN & Gail IVANOFF, University of OttawaWe define a two-sample version of the empiricalcopula process; this can be viewed as a type of twodimensionalp-p plot. We prove a functional limittheorem which can be applied to tests of stochasticorder in higher dimensions, including precedencetests, when only partial data is available.Nous définissons une version à deux échantillons du processusempirique de copule ; ceci peut être regardé comme ungraphique bidimensionnel de type p-p. Nous prouvons unthéorème de limite fonctionnel qui peut être appliqué auxtests d’ordre stochastique dans des dimensions plus élevées,y compris des tests de priorité, quand seulement des donnéespartielles sont disponibles.[MS-200]Empirical Central Limit Theorems under Model MisspecificationVersions empiriques du théorème central limite pour un modèle mal spécifiéHanna JANKOWSKI, University of WashingtonAsymptotic behaviour of infinite-dimensional datamay be studied by considering the limit of theempirical measure and the associated fluctuations.We discuss empirical central limit theorems forstochastic models under perturbations. In particular,a n −1/2 perturbation in the parameters describingthe modelling process results in a non-zeromean for the limiting distribution. We derive anexpression for the mean operator in terms of Malliavinderivatives. The perturbations we consider canbe seen as random contiguous alternatives.Le comportement asymptotique de données en dimension infiniepeut être déterminé en étudiant la limite de la mesureempirique et des fluctuations qui y sont associées. Nous discutonsdes versions empiriques du théorème central limitepour des modèles stochastiques contenant des perturbations.En particulier, une perturbation n −1/2 des paramètres décri-vant le processus de modélisation résulte en une distributionlimite possédant une moyenne non-nulle. Nous dérivons uneexpression pour l’espérance en terme des dérivées de Mallia-vin. Les perturbations considérées sont des limites sous desalternatives contiguës aléatoire[MS-201]Strong Approximation for Mixing Sequences with Infinite VarianceApproximation forte pour des suites « mélangeantes » avec variance infinieRaluca BALAN, University of Ottawa, Ingrid-Mona ZAMFIRESCU, Baruch College, City University of New YorkDans cet exposé, nous présenterons le résultat d’une approximationpour des suites mélangeantes avec variance infi-nie et avec un taux logarithmique de décroissance des coeffi-cients. Nous travaillons sous l’hypothèse que la distributionest symétrique et se situe dans le domaine d’attraction de laloi normale. De plus, nous supposons que la fonction de lavariance tronquée varie lentement avec un mémento de typebilogarithmique.In this talk we will present a strong approximationresult for a mixing sequence with infinite varianceand logarithmic decay rate of the mixing coefficient.The result is proved under the assumptionthat the distribution is symmetric and lies in thedomain of attraction of the normal law. Moreoverthe truncated variance function is supposed to beslowly varying with log-log type remainder.SH = Somerville House SSC = Social Science Centre UC = University College

158 Mercredi 31 mai • Wednesday, May 31, 10:30–12:00[MS-202]New Central Limit Theorems via Studentization in Linear Structural Error-in-variables ModelsNouveaux théorèmes limites centraux basés sur la studentisation dans les modèles linéaires avec erreurs demesureYuliya MARTSYNYUK, Carleton UniversityLinear structural error-in-variables models are revisitedfor studying least squares estimators ofLes modèles linéaires structuraux avec erreur de mesure sontrevus pour l’étude des estimateurs des moindres carrés de laslope and intercept. New central limit theorems pente et de l’ordonnée à l’origine. De nouveaux théorèmes(CLT’s) are established for these estimators un- centraux limite (TCL) sont établis pour ces estimateurs avecder the least restrictive ever model conditions in les présupposés les moins restrictifs employés jusqu’ici à cetthis regard. Moreover, due to Studentization, these égard. De plus, grâce à la studentisation, ces TCL sont in-CLT’s are invariant in form within the introduced variants en forme à l’intérieur de la classe introduite des vaclassof explanatory and error variables, and free riables explicatives et d’erreur, et libres de paramètres inofunknown parameters of their joint distribution. connus liés à leur distribution conjointe. Ceci contraste avecIn contrast, in related CLT’s in the literature so far, les TCL similaires retrouvés dans la littérature, pour lesquelsvariances of the limiting normal distributions, in les variances des distributions normales limites sont générageneral,are complicated and depend on various, lement compliquées et dépendent de divers moments des vatypicallyunknown, hard-to-estimate moments of riables d’erreur et explicatives, souvent inconnus et difficileserror and explanatory variables.à estimer.Session 10H Mercredi 31 mai • Wednesday, May 31, 10:30–12:00 SSC3014Statistical Genetics and GenomicsGénétique statistique et génomique[MS-203]Group Sequential Approach for Penetrance Estimation of Genes Involved in Complex Diseases Based onWeighted Log-rank StatisticsEstimation de la pénétrance des gènes impliqués dans des maladies complexes : une approche séquentiellepar groupes basée sur des statistiques de (log) rang pondéréesM. Tariqul HASAN & Laurent BRIOLLAIS, Samuel Lunenfeld Research Institute, Mount Sinai Hospital.Advances in the identification and treatment of geneticallytransmitted diseases have led to an increasedneed for reliable estimates of genetic susceptibilityrisk. These estimates are used to identifyindividuals at risk of being a disease allele carrierand to define the probability of developing adisease in carriers (penetrance). In this work, weare interested of family-based group sequential designthat could include one or more interim analyses.The sample size necessary to estimate the penetrancein mutation carriers with accurate precisionor to conclude to a significant difference betweentwo groups, e.g. mutation carrier vs. non-carriers isupdated at each phase. The experiment stops whenenough families have been collected. Our methodis based on weighted log-rank statistics for clustersurvival data.Des avancées dans l’identification et le traitement de maladiestransmises génétiquement ont conduit à un besoin ac-cru d’estimations fiables du risque de susceptibilité géné-tique. Ces estimés sont utilisés pour identifier les individus àrisque d’être porteur de l’allèle de la maladie et pour définir,chez les porteurs, la probabilité que se développe la mala-die (la pénétrance). Dans ce travail, nous sommes intéresséspar un plan séquentiel par groupes basé sur la famille pou-vant inclure au moins une analyse intérimaire. La taille del’échantillon requis pour estimer la pénétrance chez les por-teurs de l’allèle mutant avec précision, ou pour conclure àune différence significative entre deux groupes (par exemple,porteurs et non-porteurs), est mise à jour à chaque phase.L’étude prend fin lorsque suffisamment de données de fa-milles sont recueillies. Notre méthode est basée sur des sta-tistiques de log-rang pondérées pour des données de survieen grappes.SH = Somerville House SSC = Social Science Centre UC = University College

Mercredi 31 mai • Wednesday, May 31, 10:30–12:00 159[MS-204]Estimating the Lifetime Risk Associated with Mutated Genes Involved in Complex DiseasesEstimation du risque associé aux gènes mutants impliqués dans des maladies complexesYun Hee CHOI & Laurent BRIOLLAIS, Samuel Lunenfeld Research Institute, Mount Sinai HospitalEstimating the lifetime risk (penetrance) associatedwith genetic abnormalities has major impli-L’estimation du risque à vie (pénétrance) associé aux anomaliesgénétiques a des implications majeures sur le développecationsfor developing effective prevention strate- ment de stratégies de prévention efficaces pour les individusgies for susceptible individuals. We develop new susceptibles. Nous développons de nouvelles approches stastatisticalapproaches to estimate the penetrance tistiques pour estimer la pénétrance de gènes mutants impliofmutated genes involved in complex diseases qués dans des maladies complexes à l’aide de familles porbyusing families who carry the mutated gene. teuses du gène mutant. Différents plans d’expérience et mé-Various study designs and statistical methods are thodes statistiques sont considérés pour étudier le risque lié àconsidered for estimating the age-specific risk of l’âge de maladie chez les porteurs et non-porteurs de la mudiseaseamong carriers and non-carriers of the tation identifiée. L’efficacité de plusieurs plans d’expérienceidentified mutation. The efficiency of several est comparée par des études de simulation utilisant difféstudydesigns—population- and clinic-based—is rentes méthodes basées sur la vraisemblance – vraisemcomparedvia simulation studies using different blance prospective, rétrospective et conjointe – pour consilikelihood-basedmethods—prospective, retrospec- dérer des découvertes spécifiques à la famille.tive and joint likelihoods—to account for specificascertainment of the family.[MS-205]Genetic Effect Estimation via Bootstrap in Linkage Analysis of Quantitative Trait LociEstimation d’effet génétique par bootstrap dans l’analyse de liaison du trait quantitatif du loci (emplacementdes gênes)Longyang WU, Samuel Lunenefeld Research Int., LongYang WU, SLRI, Lei SUN, University of Toronto, BullSHELLEY, SLRILe biais dans l’estimation de la taille de l’effet d’un locusspécifique dans l’analyse de liaison sur tout le génome duTrait Quantitatif du Loci (TQL) se produit quand les donnéesoriginales sont utilisées à la fois pour les tests d’hypothèseset l’estimation de paramètres. Nous proposons ses estima-teurs par rééchantillonnage « bootstrap » pour la réductiondu biais dans la situation où la liaison est importante à plusd’un QTL. Nous avons réalisé des études par simulation dansles familles nucléaires avec 0 à 5 TQLs et avons appliquéles méthodes dans une analyse de liaison sur tout le génomed’un phénotype de tension artérielle dans des familles généalogiquesà partir de l’étude « Framingham Heart Study(FHS) ». Les nouveaux estimateurs réduisent sensiblementle biais positif dans l’estimation d’effet génétique.Bias occurs in locus-specific effect-size estimationin genome-wide linkage analysis of quantitativetrait loci (QTL) when the original data are usedfor both hypothesis testing and parameter estimation.We propose bootstrap resampling estimatorsfor bias reduction in the situation in which linkagepeaks at more than one QTL are of interest.We conducted simulation studies in nuclear familieswith 0 to 5 QTLs and applied the methods in agenome-wide analysis of a blood pressure phenotypein extended pedigrees from the FraminghamHeart Study (FHS). The new estimators substantiallyreduce the upward bias in genetic effect estimation.SH = Somerville House SSC = Social Science Centre UC = University College

160 Mercredi 31 mai • Wednesday, May 31, 10:30–12:00[MS-206]A Method for Analysis of CGH Microarray DataUne méthode pour l’analyse de données de micropuces CGHWenqing HE & Ian MCLEOD, University of Western OntarioGenomic DNA copy number alterations are importantfeatures for the development of human dis-Les amplifications d’ADN de génomes sont des dispositifsimportants pour le développement dans le domaine deeases. CGH microarray is a powerful technique maladies humaines. Les micropuces CGH sont une techthatenables us to search genome-wide for possible nique puissante nous permettant de chercher les régions posregionswith DNA copy number alterations. The sibles avec des amplifications d’ADN sur tout le génome.DNA copy number may be viewed as a sequence L’amplification d’ADN peut être considérée comme une séalongthe whole genome, and the alteration regions quence sur le génome entier, et les régions de changementcorrespond to the sequence changes. We propose correspondent aux changements de la séquence. Nous protouse a Bayesian change-point approach to model posons d’utiliser une approche bayésiennede point de rupthissequence and alteration regions may then be ture pour modéliser cette séquence, et les régions de changeidentified.Simulation studies are conducted to ment peuvent alors être identifiées. Des études de simulationevaluate the performance of the proposed method sont entreprises pour évaluer la performance de la méthodeand a real CGH data set is analyzed.proposée et de vraies données CGH sont analysées.[MS-207]Improved Estimation for Differential Gene Expression by Shrinking Variance ComponentsEstimation améliorée de l’expression de gènes par le rétrécissement des composantes de varianceLihua AN & S. Ejaz AHMED, University of WindsorThe difficulty is to know what problems to combinetogether... why should not all our estimationLa difficulté est de savoir quels problèmes combiner.... pourquoitous nos problèmes d’estimation ne devraient-ils pasproblems be lumped together on one grand melee? être empilés ensemble en une grande mêlée ? George Bar-George Barnard (1962). nard (1962).A major concern with microarray experiments is Un problème majeur avec les expériences à micropuces estthat they have little replication. The variance es- qu’elles ont peu de répétitions. Les estimations de variancetimates obtained from an individual gene may obtenue pour un gène donné peuvent être très imprécises ; lesbe very imprecise, and therefore the inferences inférences obtenues peuvent donc ne pas être sûres à causereached may not be trustworthy due to the weak de la faiblesse des estimations des variances. Une idée invarianceestimates. An appealing idea for im- téressante pour améliorer la qualité des inférences des exprovinginferences from microarray experiments périences à micropuces serait de combiner l’information dewould be combining information across genes. In plusieurs gènes. Dans cette communication, nous construithiscommunication we construct several estima- sons plusieurs estimateurs basés sur des règles du pré-testtors based on pretest and shrinkage rules. The risks et de réduction. Les risques des estimateurs proposés sontof the proposed estimators are studied and com- étudiés et comparés avec l’estimateur sans biais basé sur lepared with the gene-based unbiased estimator un- gène, sous les fonctions de perte quadratique et entropique. Ilder quadratic loss and entropy loss functions. It is est intéressant de noter que la performance relative des deuxdemonstrated that the shrinkage estimators are su- estimateurs proposés est significativement différente sous lesperior to the baseline estimators. Interestingly, the deux fonctions de perte.relative performance of the proposed estimators issignificantly different under the two loss functions.SH = Somerville House SSC = Social Science Centre UC = University College

Mercredi 31 mai • Wednesday, May 31, 12:00–16:30 161[MS-208]Improving the Relevance of Microarray Data Clustering through Integration with Gene OntologyAmélioration de la pertinence du regroupement des données de micropuces par l’intégration avec l’ontologiedu gèneAdam ZAGDANSKI & Rafal KUSTRA, University of TorontoThe Gene Ontology (GO) offers structured, controlledvocabulary for describing the molecularL’ontologie du gène (OG) offre le vocabulaire structuré etcontrôlé pour décrire la fonction moléculaire, le processusfunction, biological process and cellular compo- biologique et les caractéristiques de composante cellulaire.nent characteristics. It has already been shown Il a été déjà montré que l’OG peut faciliter les études à lathat GO may facilitate genome-wide studies, e.g. grandeur du génome, par exemple, les taches de prédiction àlarge-scale predictive tasks in functional genomics grande échelle dans la génomique fonctionnelle ou l’analyseor knowledge-based analysis of microarray gene basée sur la connaissance des données de l’expression duexpression data.gène.We propose general clustering framework to in- Nous proposons un cadre général de groupement pour intétegratemicroarray expression data with GO an- grer les données d’expression avec les annotations OG parnotations through combination of corresponding la combinaison des mesures de (dis)similarité correspon-(dis)similarity measures. This integration improves dantes. Cette intégration améliore la pertinence biologique etboth biological relevance and stability of clustering la stabilité des résultats en groupement. Notre approche peutresults. Our approach can be easily extended to in- être facilement étendue pour incorporer d’autres sources decorporate other genomic data sources (e.g. protein- données génomiques (par exemple des interactions protéineproteininteractions or transcription factors binding protéine ou sites de liaison facteurs de transcription).sites).Session 10I Mercredi 31 mai • Wednesday, May 31, 12:00–16:30 SSC - 2nd floorhallwayPosters for Case Study IIAffiches pour l’étude de cas IISession 11A Mercredi 31 mai • Wednesday, May 31, 13:30–14:30 SSC2050Address of the winner of the Centre de recherches mathématiques/Statistical Society ofCanada PrizeAllocution du lauréat du Prix du Centre de recherches mathématiques/Société statistiquedu CanadaSH = Somerville House SSC = Social Science Centre UC = University College

162 Mercredi 31 mai • Wednesday, May 31, 13:00–14:30Session 11B Mercredi 31 mai • Wednesday, May 31, 13:00–14:30 SSC2024Risk Theory IThéorie du risque I[MS-209]Erlangized Fluid Queues and their Relation to Finite-time Ruin ProbabilitiesLes files d’attentes de fluides erlangisées et leur relation aux probabilités de ruine en temps finiDavid STANFORD, University of Western Ontario, Vaidyanathan RAMASWAMI, ATT Research, Douglas WOOLFORD,University of Western OntarioAu cours des dernières années, les techniques liées aux filesd’attente de fluides ont été utilisées dans l’étude de plusieursproblèmes en théorie du risque. Cette utilisation inclut letemps de ruine, le surplus antérieur à la ruine et/ou le déficitau moment de la ruine pour des processus de réclamationscorrélés (et leurs distributions conjointes pertinentes), ainsique l’approche d’erlangisation permettant d’approximer lesprobabilités de ruine en temps fini des processus de renou-vellement du risque. Dans cet article, nous présentons lesrésultats théoriques liés à l’approche d’erlangisation tellequ’appliquée aux modèles de files d’attente de fluides engénéral. Nous montrons comment les approximations résul-tantes peuvent être utilisées afin de résoudre des problèmesreliés à la théorie du risque tels l’approximation de la pro-babilité de ruine en temps fini pour des processus de risquescorrélés, ainsi que le confinement des feux de forêts via laconstruction de tranchées pare-feu.In recent years the techniques of fluid queues havebeen used to address a variety of problems in risktheory. Uses have included the time of ruin, thesurplus prior to ruin and/or deficit upon ruin forcorrelated claims processes (and their relevant jointdistributions), and the Erlangization approach forapproximating finite-time ruin probabilities for renewalrisk processes. In this paper, we present thetheoretical results for the Erlangization approachas applied to the fluid queue model in general.We show how the resulting approximations can beused to answer risk-theoretic questions such as theapproximation of finite time ruin probabilities forsome correlated risk processes, and the containmentof forest fires through the construction of firelines.[MS-210]Risk Models with Constant Dividend BarrierModèles de risque avec barrière de dividende constanteAndrei BADESCU, University of Waterloo, Vaidyanathan RAMASWAMI, AT&T Labs, Soohan AHN, University of SeoulFinite buffer fluid flow models are useful in analyzingthe performance of high speed communicationssystems. A possible application of this classof models is to insurance risk models with a dividendbarrier. Based on the matrix-analytic methodsof Ramaswami for fluid flows, here we developan efficient time dependent analysis for ageneral Markov modulated fluid flow model witha finite buffer and an arbitrary initial fluid level attime 0. We apply these to an insurance risk modelwith a dividend barrier and a general Markovian arrivalprocess of claims with possible dependenciesin successive inter-claim intervals and claim sizes.We demonstrate the implementation and accuracyof our algorithms through a set of numerical examples.Les modèles d’écoulement des fluides à mémoire finie sontutiles dans l’analyse de performance de systèmes de commu-nications à haute vitesse. Une application possible de cetteclasse de modèles sont les modèles de risque en assurancesavec une barrière de dividende. À partir des méthodes ma-tricielles analytiques de Ramaswami pour l’écoulement desfluides, nous développons ici une analyse efficace dépen-dante sur le temps pour un modèle général de Markov mo-dulé d’écoulement des fluides avec mémoire finie et un ni-veau initial de fluide arbitraire. Nous appliquons ensuite cecià un modèle de risque en assurances avec barrière au divi-dende et un processus markovien général d’arrivée des récla-mations avec possibles dépendances sur les intervalles entreréclamations successives ainsi que sur les tailles des récla-mations. Nous démontrons la mise en œuvre et la précisionde nos algorithmes à l’aide d’exemples numériques.SH = Somerville House SSC = Social Science Centre UC = University College

Mercredi 31 mai • Wednesday, May 31, 15:00–16:30 163[MS-211]Constant Dividend Barrier in a Risk Model With Time-dependent Claim SizesBarrière de dividende constante dans un modèle de risque où le montant des réclamations dépend du tempsDavid LANDRIAULT, University of WaterlooThe risk model with time-dependent claim sizesproposed in Boudreault et al. (2006) is studied inLe modèle du risque avec montant des réclamations dépendantdu temps proposé dans Boudreault et al. (2006) est étuthepresence of a constant dividend barrier. An dié en présence d’une barrière de dividende constante. Uneintegro-differential equation for the Gerber-Shiu équation intégro-différentielle pour la fonction de pénalitédiscounted penalty function is derived. We show escomptée de Gerber-Shiu est dérivée. Nous montrons quethat its solution can be expressed as the solution to sa solution peut être exprimée comme la solution de la fonctheGerber-Shiu discounted penalty function in the tion de pénalité escomptée de Gerber-Shiu du même mosamerisk model with the absence of a barrier plus a dèle en absence de barrière plus une combinaison de deuxcombination of two linearly independent solutions solutions linéairement indépendantes à l’équation intégrotothe associated homogeneous integro-differential différentielle homogène associée. Finalement, nous analyequation.Finally, we analyze the expected present sons l’espérance de la valeur présente des paiements de divalueof dividend payments up to the time of ruin videndes jusqu’au temps de ruine sous le même modèle dein the same risk model. A homogeneous integro- risque. Une équation intégro-différentielle homogène est obdifferentialequation is derived and then solved. Its tenue et résolue. Sa solution peut être exprimée comme unesolution can be expressed as a different combina- combinaison différente des deux solutions linéairement indétionof the two linearly independent solutions to the pendantes à l’équation intégro-différentielle homogène assohomogeneousintegro-differential equation associ- ciée à la fonction de pénalité escomptée de Gerber-Shiu.ated to the Gerber-Shiu discounted penalty function.Session 12A Mercredi 31 mai • Wednesday, May 31, 15:00–16:30 SSC2050Industrial Experimental DesignPlanification d’expériences industrielles[MS-212]Second-order Split-plot Design Construction and EvaluationPlan d’expérience à parcelles subdivisées du 2 e ordre : construction et évaluationPeter PARKER, National Aeronautics and Space AdministrationWhen designing industrial response surface experiments,we often encounter practical or economicLors de la planification d’expériences portant sur une surfacede réponse dans le domaine industriel, nous rencontronsconstraints that restrict complete randomization souvent des contraintes pratiques ou économiques limitant laand require a split-plot design. While statistical randomisation complète et exigeant l’emploi d’un plan à parefficiencyis well-defined for complete randomiza- celles subdivisées. Alors que l’efficacité statistique est biention, overall experimental efficiency of a split-plot définie pour la randomisation complète, l’efficacité de la médesignrequires a consideration of the experimen- thode des parcelles subdivisées exige une considération detal apparatus. Two aerospace research case studies l’appareillage expérimental. Deux études de cas tirées de laare used to illustrate second-order split-plot design recherche aérospatiale sont utilisées pour illustrer la concepconstructionand evaluation. Competing designs tion et l’évaluation de plans à parcelles subdivisées du seareevaluated from a statistical and practical per- cond ordre. Des plans concurrents sont évalués d’un pointspective considering their utilization of experimen- de vue statistique et pratique en considérant leur utilisationtal resources, clarity of structure, and simplicity of des ressources expérimentales, simplicité de structure, et faanalysis.Subjective compromises among design cilité d’analyse. Une importance particulière est accordée àSH = Somerville House SSC = Social Science Centre UC = University College

164 Mercredi 31 mai • Wednesday, May 31, 15:00–16:30criteria are emphasized to develop an effective experimentalstrategy to accommodate restrictions onrandomization.certains compromis subjectifs entre les différents critères deplanification afin de développer une stratégie expérimentaleefficace permettant une adaptation aux contraintes de randomisation.[MS-213]Optimal Foldover Plans for Two-level Fractional Factorial Split-plot DesignsPlans de repliement optimaux pour plans factoriels fractionnels à deux niveaux à parcelles subdiviséesRob MCLEOD, University of Winnipeg, John BREWSTER, University of ManitobaNous considérons la construction de repliements de plansd’expérience fractionnels factoriels à deux niveaux à par-celles subdivisées. La technique de repliement est une straté-gie de relance utile lorsque l’objectif est de départir les effetsd’intérêt une fois le plan initial fractionnel factoriel à subdi-vision de parcelles exécuté. De plus, si l’exécution des plansinitiaux et de repliement fractionnels factoriels à subdivisiondes parcelles ne peuvent être effectués sous des conditionshomogènes, le plan combiné résultant est un plan fraction-nel factoriel à subdivision des parcelles par blocs. L’impactde cette division par blocs sur la sélection de plans de re-pliement optimaux est considéré. En utilisant divers critèresd’optimalité, nous fournissons un catalogue de plans de re-pliements optimaux pour plans initiaux fractionnels facto-riels à subdivision de parcelles à minimum d’aberration etcomportant entre 16 ou 32 exécutions.We consider the construction of foldovers of twolevelfractional factorial split-plot designs. Thefoldover technique is a useful follow-up strategywhen the objective is to de-alias effects of interestafter the initial fractional factorial split-plot designhas been run. Moreover, if the runs of the initialand foldover fractional factorial split-plot designscannot be conducted under homogeneous conditions,the resulting combined design is a blockedfractional factorial split-plot design. The impact ofblocking on the selection of optimal foldover plansis considered. Using various optimality criteria, weprovide a catalog of optimal foldover plans for initialminimum aberration fractional factorial splitplotdesigns consisting of 16 and 32 runs.[MS-214]Sequential Experiment Design for Contour Estimation from Complex Computer Codes.Plan d’expérience séquentiel pour l’estimation d’une courbe de niveau à partir d’un programmeinformatique complexePritam RANJAN & Derek BINGHAM, Simon Fraser University, George MICHAILIDIS, University of MichiganDans plusieurs applications en ingénierie, on est intéresséà identifier les valeurs d’entrées dans les expériences in-formatiques qui mène à une réponse au-dessus d’un seuilpré-spécifié ou, dans une région d’intérêt. Dans cette pré-sentation, nous discuterons de la méthodologie statistiquequi identifie les courbes de niveaux désirées (iso-surfaces)dans l’espace des entrées. Un modèle stochastique est em-ployé pour approximer la surface de réponse qui est suivied’une approche séquentielle pour le choix des essais qui sontorientés vers l’amélioration de l’estimation des courbes deniveaux. En conclusion, l’extraction des courbes de niveauxsera décrite. L’application inclut également l’estimationd’une courbe de niveau multiple et la région de densité àposteriori la plus élevée.In many engineering applications, one is interestedin identifying the values of the inputs in computerexperiments that leads to a response above a prespecifiedthreshold or, in a region of interest. Inthis talk we introduce statistical methodology thatidentifies the desired contours (iso-surfaces) in theinput space. Stochastic model is used to approximatethe response surface which is followed by asequential approach for the selection of trials whichis directed towards improvement of the estimationof the contours. Finally, extraction of the contoursfrom the estimated surface will be outlined. Applicationalso includes multiple contour estimationand highest posterior density region.SH = Somerville House SSC = Social Science Centre UC = University College

Mercredi 31 mai • Wednesday, May 31, 15:00–16:30 165Session 12B Mercredi 31 mai • Wednesday, May 31, 15:00–16:30 SSC2036Latent Variable and Multilevel Modelling Using Survey DataVariables latentes et modélisation multiniveaux pour des données d’enquêtes[MS-215]Pseudo Maximum Likelihood Estimation of Multilevel and Latent Variable ModelsEstimation par pseudo-maximum de vraisemblance de modèles à niveaux multiples et à variables latentesSophia RABE-HESKETH, University of California, Berkeley, Anders SKRONDAL, London School of EconomicsUne approche courante pour analyser des études complexesimpliquant de l’échantillonnage à plusieurs niveaux, desprobabilités d’inclusion inégales et de la stratification estl’estimation par pseudo-maximum de vraisemblance. Cetteapproche est disponible pour les modèles à plusieurs ni-veaux, de réponse dans les items, de classe latente etd’équations structurelles dans le programme Stata gllamm.Des résultats de simulation sont présentés afin de mon-trer que, pour les modèles logistiques à plusieurs niveaux,l’inclusion de poids au premier niveau peut entraîner unbiais non seulement dans les composantes de variance maisaussi dans les coefficients de régression. Pour les modèlesà variable latente, les poids au premier niveau (le niveaudes items) sont rarement requis ; le problème du biais ne s’yprésente donc pas.A common approach to analyzing complex surveysthat involve multistage sampling, unequal samplingprobabilities, and stratification is pseudo maximumlikelihood estimation. This approach is availablefor multilevel, item response, latent class and structuralequation models in the Stata program gllamm.Simulation results will be presented to show that,for multilevel logistic models, inclusion of weightsat level 1 can lead to bias not only in the variancecomponents but also in the regression coefficients.For latent variable models, weights at level 1 (theitem level) are rarely needed so that the issue ofbias does not arise.[MS-216]Modeling Change in Longitudinal Studies With Individual Trajectories: Parametric and NonparametricMultilevel ModelsMéthodes d’analyse du changement fondées sur la trajectoire de développement individuelle : modèlesmultiniveaux paramétriques et non paramétriquesEric LACOURSE & Véronique DUPÉRÉ, Université de MontréalMultilevel models encompass a variety of modernlongitudinal analytic approaches sharing someLes modèles multiniveaux regroupent une variété de méthodesmodernes d’analyse du changement. La présentationcommon features. The purpose of this presenta- qui sera faite décrit et illustre, de façon générale, les simitionis to describe and illustrate, in a general and litudes et différences entre deux types de modèles multininon-technicalway, the similarities and differences veaux s’appuyant sur des méthodes paramétriques et nonbetween two types of multilevel models relying on paramétriques d’estimation de l’hétérogénéité d’une popuparametricand non-parametric techniques for esti- lation. Les modèles complètement paramétriques présupmatingpopulation heterogeneity. Fully parametric posent que la variable « latente » suive une distribution normodelsassume a normal distribution of the "latent" male, alors que les modèles non paramétriques s’appuientvariable whereas non-parametric models rely on a sur une distribution discrète pour approximer la distributiondiscrete distribution for approximating an unspeci- non spécifiée et possiblement continue des effets aléatoires.fied, possibly continuous distribution of the random Chacun des modèles a été conçu pour répondre à des queseffects.Each model is fit for answering different tions différentes.kinds of research questions.SH = Somerville House SSC = Social Science Centre UC = University College

166 Mercredi 31 mai • Wednesday, May 31, 15:00–16:30[MS-217]Fitting Multi-level Models to Survey DataModélisation de données d’enquête complexes à l’aide de modèles à multi-niveauxMilorad KOVACEVIC & Rong HUANG, Statistics CanadaL’importance de la convergence des estimateurs des composantesde la variance pour l’estimation des paramètres fixesdu modèle d’ajustement multi-niveaux appliquée à des don-nées d’enquête complexe est examinée. Commençant parune brève revue des méthodes disponibles, la discussion seconcentre sur les conditions sous lesquelles beaucoup de mé-thodes d’estimation des composantes de variance donnentlieu à des estimations biaisées des paramètres à effets fixes.Les résultats d’une petite étude de simulation fondée surl’Enquête canadienne sur le milieu du travail et les employéssont présentés.The importance of consistent estimation of variancecomponents for the estimation of the fixedparameters of a multi-level model fit to complexsurvey data is examined. Beginning with a briefreview of available methods, the discussion concentrateson conditions under which many of traditionalmethods for variance components estimationwhen applied to survey data may lead to biasedestimation of the fixed effects parameters. Resultsof a small simulation study based on the CanadianWorkplace and Employee Survey are presented.Session 12C Mercredi 31 mai • Wednesday, May 31, 15:00–16:30 SSC2024Risk Theory IIThéorie du risque II[MS-218]On the Discounted Penalty Function in the Renewal Risk Model with Arbitrary Interclaim TimesSur la fonction de pénalité escomptée dans le modèle de risque de renouvellement avec des tempsd’inter-réclamation arbitrairesGordon WILLMOT, University of WaterlooThe defective renewal equation satisfied by theGerber-Shiu discounted penalty function in the renewalrisk model with arbitrary interclaim times isanalyzed. The ladder height distribution is shownto be a mixture of residual lifetime claim severitydistributions, resulting in an invariance propertysatisfied by many claim size distributions. Whenclaims are exponentially distributed, a simple resultfollows when the penalty function only involves thedeficit, and the Laplace transform of the density ofthe surplus prior to ruin is obtained. Finally, an expressionfor the moments of the discounted deficitis obtained for arbitrary claim sizes.L’équation défectueuse de renouvellement satisfaite par lafonction de pénalité pondérée Gerber-Shiu dans le modèle derisque de renouvellement avec des temps d’inter-réclamationarbitraires est analysée. La distribution en échelle de la hau-teur s’avère un mélange des lois de survie résiduelle desévérité de réclamation, ayant pour résultat une propriétéd’invariance satisfaite par beaucoup de distributions de gran-deurs de réclamation. Quand les réclamations sont exponen-tiellement distribuées, un résultat simple suit quand la fonc-tion de pénalité implique seulement le déficit, et la transfor-mation Laplace de la densité de l’excédent avant la ruine estobtenue. En conclusion, une expression pour les moments dudéficit escompté est obtenue pour des tailles de réclamationarbitraires.SH = Somerville House SSC = Social Science Centre UC = University College

Mercredi 31 mai • Wednesday, May 31, 15:00–16:30 167[MS-219]The Gerber-Shiu Function for Risk Models Based on Lévy ProcessesLa fonction de Gerber-Shiu pour des modèles de risque basés sur des processus de LévyJosé GARRIDO, Concordia University, Manuel MORALES, Université de MontréalDufresne et al. (1991) introduced a general riskmodel defined as the limit of compound PoissonDufresne et al. (1991) présentent un modèle général durisque défini comme la limite de processus de Poisson comprocesses.Such a model is either a compound posés. Leur modèle est soit lui-même un processus de Pois-Poisson process itself or a process with an infinite son composé ou un processus avec un nombre infini de petitsnumber of small jumps. They work with the clas- sauts. Ils travaillent avec le modèle de risque classique ousical and the perturbed risk models and hint that le modèle perturbé et font la conjecture que leurs résultatstheir results can be extended to gamma and inverse peuvent s’étendre au processus de risque gamma et inverseGaussian risk processes.gaussien.The construction of Dufresne et al. (1991) is based La construction de Dufresne et al. (1991) est basée sur uneon a non-negative, non-increasing function that fonction non négative, non croissante qui gouverne les sautsgoverns the jumps of the process. This function, du processus. Cette fonction est en réalité l’aile de la meitturns out, is the tail of the Lévy measure of the sure de Lévy du processus. Nous étendons leur travaux àprocess. We extend their work to a generalized un modèle de risque généralisé issu d’un processus de Lévyrisk model driven by an increasing Lévy process, croissant, c’est à dire que les réclamations totales forment unthat is when the aggregate claims process is a sub- processus qui est un subordinateur. Dans cette ample familleordinator. Embedded in this wide family of risk de modèles de risque nous retrouvons les processus gamma,models we find the gamma, inverse Gaussian and inverse Gaussien et inverse Gaussien généralisé.generalized inverse Gaussian processes.[MS-220]The Compound Poisson Risk Model with Multiple ThresholdsLe modèle de risque composé de Poisson à seuils multiplesKristina SENDOVA, University of Western Ontario, X. Sheldon LIN, University of TorontoIn this paper we consider a multi-threshold compoundPoisson risk model. We further solve a generalintegro-differential equation with potential applicationsto ruin theory problems. Consequently,an important particular case is discussed. Namely,the Gerber-Shiu discounted penalty function underthe compound Poisson model with multiple thresholds.Finally, examples are considered to illustratethe applicability of the main result.Dans cet article, nous considérons un modèle de risque composéde Poisson à seuils multiples. Nous résolvons une équa-tion intégro-différentielle générale ayant des applicationspossibles en théorie de la ruine. Nous discutons égalementd’un cas particulier important, soit la fonction de pénalitéescomptée de Gerber-Shiu sous le modèle composé de Pois-son avec seuils multiples. Finalement, nous présentons desexemples illustrant l’applicabilité du résultat principal.SH = Somerville House SSC = Social Science Centre UC = University College

168 Mercredi 31 mai • Wednesday, May 31, 15:00–16:30Session 12D Mercredi 31 mai • Wednesday, May 31, 15:00–16:30 SH3345Geometry, Topology and StatisticsGéometrie, topologie et statistique[MS-221]Reconstruction of 3D Scenes and Projective Shape AnalysisReconstruction de scènes en trois dimensions et analyse projective des formesVictor PATRANGENARU & Samanmalee SUGATHADASA, Texas Tech University, USAA classical problem in computer vision is the reconstructionof a 3D scene in absense of obstructions,from multiple views obtained by a noncalibratedcamera. We show that since the reconstructionis unique up a projective transformation, theactual object recovered is the projective shape ofthe scene, which can be regarded as a point on aproduct of a finite number of copies of projectivespaces. Many problems in pattern recognition fromimages, can be thus answered using inference inmultivariate directional data analysis.Un problème classique en vision artificielle est la reconstructiond’une scène tridimensionnelle en absence des obs-tructions, à partir de plusieurs images obtenues par une ca-méra non calibrée. Nous montrons que puisque la scène estunique jusqu’à une transformation projective, l’objectif estde reconstruire la forme projective de la scène, qui peut êtreregardée comme point dans un produit d’un nombre fini descopies de l’espace projectif. Plusieurs problèmes en recon-naissance des formes à partir des images, peuvent ainsi êtrerésolus en utilisant l’inférence dans l’analyse des donnéesdirectionnelles multivariées.[MS-222]Exploratory Data Analysis for Human Motion DataAnalyse exploratoire du mouvement humainTheodore CHANG, University of VirginiaThis talk will discuss data that is collected by placingsensors on a subject’s body as he walks a tread-Cet exposé porte sur des données obtenues en plaçant descapteurs sur le corps d’un sujet alors qu’il marche sur unmill. In this case we will consider exploratory data tapis roulant. Dans ce cas, nous considérons une analyse exanalysisfor the knee joint. Considering the up- ploratoire des données de l’articulation du genou. En consiperand lower legs as rigid bodies, and ignoring dérant la jambe supérieure et inférieure comme des corps rithetranslational component, the motion of one rel- gides, et en ignorant la composante translationnelle, le mouativeto the other can be described by a path in the vement de l’une par rapport à l’autre peut être décrit commerotation group in three dimensions SO(3). Our ap- un trajet dans le groupe des rotations en trois dimensionsproaches to exploratory data analysis will be deeply SO(3). Nos approches à l’analyse exploratoire des donnéesrooted the in geometry of SO(3).sont profondément enracinées dans la géométrie de SO(3).[MS-223]A Statistical Approach to Persistent HomologyUne approche statistique sur l’homologie persistantePeter BUBENIK, Cleveland State University, Peter KIM, University of GuelphWe attempt to lay down a statistical foundation tosome recent advances in computational topology.We are interested in problems, such as that of manifoldlearning, in which one is interested in nonlinearproperties of potentially high-dimensional finitesamples. The technique of persistent homol-Nous essayons d’établir la justification statistique des progrèsrécents dans la topologie informatique. Nous sommesintéressés par des problèmes, tels que ceux reliés à l’apprentissage,où l’intérêt se porte sur les propriétés non linéaires deséchantillons finis potentiellement de dimension d’ordreélevé. La technique de l’homologie persistante peut êtreSH = Somerville House SSC = Social Science Centre UC = University College

Mercredi 31 mai • Wednesday, May 31, 15:00–16:30 169ogy can be used to identify topological features ofdata sets. We assume that the data has been sampledfrom a probability density, for which we definepersistent homology in a way that is compatiblewith the persistent homology of finite samples. Weestimate the underlying density from a given sample,and use the persistent homology of the densityto determine the topological features of the data. Inthe present study we focus on parametric cases.utilisée pour identifier les caractéristiques topologiques desjeux de données. Nous supposons que les données ont étéprélevées d’une densité de probabilité, pour laquelle nousdéfinissons l’homologie persistante d’une manière dont elleest compatible avec l’homologie persistante des échantillonsfinis. Nous estimons la densité sous-jacente d’un échantillondonné, et utilisons l’homologie persistante de la densité pourdéterminer les caractéristiques topologiques des données.Dans la présente étude nous nous concentrons sur des casparamétriques.Session 12E Mercredi 31 mai • Wednesday, May 31, 15:00–16:30 SSC3018Applications of Statistics IIApplications de la statistique II[MS-224]Exploratory Analysis of Sphere Packings By Shape-based StatisticsAnalyse exploratoire d’empilements de sphères avec des statistiques basées sur les formesJeffrey PICKA, University of New BrunswickGiven a random point pattern, many aspects of itsstructure are summarized by its Delaunay triangu-La triangulation de Delaunay permet de présenter plusieursaspects importants de la structure d’un nuage de points aléalation.The shape of each triangular cell can be toires. La forme de chaque cellule triangulaire peut être assomappedinto a point on a sector of the unit disc. ciée à un point dans un secteur du disque unitaire. Une ana-Analysis of the distribution of these points on the lyse de la distribution de ces points dans le secteur peut êtresector can be used to characterize realizations of utilisée pour caractériser les réalisations de différents algodifferentalgorithms, and to identify unusual fea- rithmes, et pour identifier les éléments inhabituels de ces réaturesof the realization. Comparisons are given be- lisations. Des comparaisons entre cette approche et d’autrestween this approach and other statistics which can statistiques pouvant être obtenues à partir de la triangulationbe derived from the triangulation.sont présentées.[MS-225]A New Statistical Model for Random Unit VectorsUn nouveau modèle statistique pour des vecteurs unitaires aléatoiresKarim OUALKACHA & Louis-Paul RIVEST, Université LavalDans cette présentation, nous proposons un nouveau modèlesymétrique pour des vecteurs unitaires, comme étant une al-ternative du modèle exponentiel de Bingham. Quelques pro-priétés de ce modèle sont, entre autres que, la constante denormalisation et les moments ont des formes explicites etsimples et que la simulation des données provenant de la dis-tribution proposée est facile. Ce modèle s’applique en parti-culier, en dimension 4, pour modéliser des quaternions asso-ciés à des matrices de rotation 3 × 3 qui décrivent la posturede sujets expérimenteaux. Nous présentons les estimateursdes paramètres du modèle par la méthode des moments, ainsique leurs propriétés asymptotiques. Une analyse de donnéesIn this presentation, we propose a new symmetricalmodel for unit vectors, as being an alternative tothe exponential model of Bingham. This model hasinteresting properties, for instance the normalizingconstant and the moments have explicit and simpleforms and the simulation of data following theproposed distribution is easy. In dimension 4, thenew distribution can be used to model quaternionsassociated to 3 × 3 rotation matrices for describingthe posture of experimental subjects. We presentthe moment estimators for the parameters of thismodel and we investigate their sampling distribu-SH = Somerville House SSC = Social Science Centre UC = University College

170 Mercredi 31 mai • Wednesday, May 31, 15:00–16:30tions. A data analysis of the right hand posture ofsubjects handling a drill is also presented to illustratethe proposed methodology.sur la posture de la main droite de sujets manipulant uneperceuse est aussi présentée afin d’illustrer la méthodologieproposée.[MS-226]Modified Likelihood Ratio Test for Homogeneity in a Mixture of von Mises DistributionsTest du rapport de vraisemblance modifié pour l’homogénéité en présence d’un mélange de distributions vonMisesPengfei LI, University of Waterloo, Yuejiao FU, York University, Jiahua CHEN, University of WaterlooDe récentes études suggèrent qu’une proportion des gènescircadiens possède des expressions phase/pic totalement dif-férentes dans deux tissus différents. Le problème statistiqued’intérêt est de tester l’homogénéité dans un mélange de dis-tributions von Mises. Le test du rapport de vraisemblancemodifié (TRVM) est proposé pour tester si un échantilloncirculaire est tiré d’une seule distribution von Mises ou biend’un mélange de deux distributions von Mises avec un paramètrede concentration commun mais inconnu. Nous mon-trons que la loi limite nulle de la statistique du TRVM est uneloi du khi-deux. Le résultat est ensuite étendu aux noyauxparamétriques généraux. À des fins d’illustration, le TRVMest appliqué à un exemple réel.Recent studies suggest that a proportion of circadiangenes have systematically different phase/peakexpressions in two different tissues. The statisticalproblem of interest is to test homogeneity in amixture of von Mises distributions. The modifiedlikelihood ratio test (MLRT) is proposed to testwhether the circular sample is drawn from a singlevon Mises distribution or a mixture of two vonMises distributions with common unknown concentrationparameter. The MLRT statistic is shownto have a simple chi-squared null limiting distribution.The result is extended to general parametrickernels. For illustration, the MLRT is applied to areal example.[MS-227]Optimal Tolerance Regions for Future Regression Vector and Residual Sum of Squares of MultipleRegression Model with Multivariate Spherically Contoured ErrorsRégions de tolérance optimales pour un futur vecteur de régression et sommes de carrés résiduels sous unmodèle de régression multiple avec erreurs multivariées aux contours sphériquesShahjahan KHAN, University of Southern Queensland, AustraliaCet article considère le modèle de régression multiple avecdes erreurs multivariées sphériquement symétriques pourdéterminer les régions de tolérance optimales de la bêta-espérance du vecteur de régression future (VRF) et de lasomme de carrés résiduels futurs (SCRF) en utilisant les dis-tributions de prévision de fonctions de réponse future ap-propriées. La distribution de prévision du VRF, conditionnelaux réponses observées, est une distribution de Student mul-tivariée. De façon similaire, la distribution de prévision de laSCRF est la distribution bêta. Les régions de tolérance op-timales de la bêta-espérance pour le VRF et la SCRF sontbasées sur la distribution F et la distribution bêta, respecti-vement. Les résultats de cet article généralisent ceux obtenuspour un modèle de régression multiple avec erreurs normaleset suivant une loi de Student.This paper considers multiple regression modelwith multivariate spherically symmetric errors todetermine optimal beta-expectation tolerance regionsfor the future regression vector (FRV) andfuture residual sum of squares (FRSS) by usingthe prediction distributions of some appropriatefunctions of future responses. The prediction distributionof the FRV, conditional on the observedresponses, is multivariate Student-t distribution.Similarly, the prediction distribution of the FRSSis a beta distribution. Optimal beta-expectation toleranceregions for the FRV and FRSS are basedon the F-distribution and beta distribution respectively.The results in this paper generalise thosefor the multiple regression model with normal andStudent-t errors.SH = Somerville House SSC = Social Science Centre UC = University College

Mercredi 31 mai • Wednesday, May 31, 15:00–16:30 171[MS-228]Theories in Linear Regression ModelThéorie en régression linéaireAnwar SAGR, University of Al-Jabal Al-GharbiTheory 1. This theory for analysis unexplained Théorie 1. Cette théorie concerne l’analyse de variance nonvariance (SSE)expliquée (SSE)SSE = SSEy + SSEx SSE = SSEy + SSExSST = SSR + SSEy + SSEx SST = SSR + SSEy + SSExthe (SST) is total variance, (SSR) is explained variance,(SSEy) is sum of square error in the model,(SST) est la variance totale, (SSR) est la variance expliquéepar le modèle, (SSEy) est la somme des carrés des erreurs(SSEx) is sum of square of measurement error in dans le modèle, (SSEx) est la somme des carrés des erreursthe independent variable.de mesure dans la variable indépendante.Theory 2. If (X i , Y i ), . . . , (X n , Y n ) is random sample Théorie 2. Si (X i , Y i ), . . . , (X n , Y n ) est un échantillon aléaandY is dependent variable and X is independent toire, Y est la variable dépendante et X la variable indévariableand the relation between X and Y is linear pendante, et la relation entre X et Y est linéaire, alors : larelation, then: the average of X and Y it will equal moyenne de X et Y est égale à la moyenne de X et Y aprèsthe average of X and Y after reflection on the line une réflexion par rapport à la droite de régression, c’est-àofregression, so the reflection does not change the dire que la réflexion ne change pas les moyennes dans leaverages in the regression linear model.modèle de régression linéaire.Session 12F Mercredi 31 mai • Wednesday, May 31, 15:00–16:30 SSC3026Multivariate Time SeriesSéries chronologiques multivariées[MS-229]Empirical Bayes Analysis for a Hierarchical Negative Binomial Generalized Linear ModelAnalyse bayésienne empirique sous un modèle binomial négatif hiérarchique linéaire généraliséMohanad AL-KHASAWNEH & S. Ejaz AHMED, University of WindsorIn this talk, we present a parametric hierarchicalempirical Bayes approach for estimating the meanDans cet exposé, nous présentons une approche paramétriquehiérarchique bayésienne empirique pour estimer la réproportionresponse from generalized linear regres- ponse moyenne de modèles de régression linéaires générasionmodels (GLiM’s) based on a negative bino- lisés (MliGs) basés sur une distribution binomiale négative.mial distribution. Following Piegorsch and Casella Suivant Piegorsch et Casella (1996, JABES, 231-247), les(1996, JABES, 231–247), GLiM’s are extended via MliGs sont généralisés par le biais de familles paramétriquesparametric families of link functions that include de fonctions de liens incluant la fonction de lien logariththelog-link function as a special case. We esti- mique comme cas particulier. Nous estimons les hyperpamatethe hyper-parameters from the beta-negative ramètres de la distribution marginale bêta-binomiale négabinomialmarginal distribution. A simulation study tive. Une étude de simulation est effectuée afin d’évaluer lais carried out to investigate the performance of the performance des estimateurs proposés dans un contexte praproposedestimators in a practical setting. An em- tique. Un exemple empirique est aussi donné afin d’illustrerpirical example is also given to illustrate the use- l’utilité de cette procédure inférentielle en pratique.fulness of this inferential procedure in practice.SH = Somerville House SSC = Social Science Centre UC = University College

172 Mercredi 31 mai • Wednesday, May 31, 15:00–16:30[MS-230]Fixed Point Clustering in Robust Mixture Discriminant AnalysisRegroupement point fixe dans l’analyse discriminante de mélange robusteShaheena BASHIR & Edward CARTER, University of GuelphIn classification problems, in the presence of maskingoutliers, the approach of Bashir and CarterDans les problèmes de classification, en présence d’observationsaberrantes ayant un effet masquant, l’approche de(2005) is useful when the data are mixtures of mul- Bashir et Carter (2005) est utile quand les données suiventtivariate normal. In this paper an improvement in un mélange de distributions normales multivariées. Dansthe robust mixture discriminant analysis of Bashir cette présentation, nous présentons une version améliorée deand Carter (2005) is made, using fixed point clus- l’analyse discriminante robuste de Bashir et de Carter (2005)tering of Hennig (2003) instead of k-means clus- quand les données suivent un mélange de distributions norteringto get initial estimates. This approach is males multivariées. Nous utilisons le regroupement de pointshown through simulation studies to be more ef- fixe de Hennig (2003) au lieu de l’analyse à classificationfective. The efficiency of the resulting model is automatique à k moyennes pour obtenir des estimations inicomparedwith the standard mixture discriminant tiales. Nos simulations ont démontré que cette approche estanalysis approach using probability of misclassifi- plus efficace. L’efficacité du modèle résultant est compacationcriterion. This comparison showed better re- rée à l’approche standard d’analyse discriminante en utilisultsproducing smaller errors of classification. sant comme critère la probabilité de classification erronée.Cette comparaison a montré que de meilleurs résultats sontobtenus avec la nouvelle méthode et qu’il en résulte moinsd’erreurs de classification.[MS-231]On Robust Forecasting in Dynamic Vector Time Series ModelsSur les prévisions robustes dans les modèles de séries chronologiques vectoriels dynamiquesChristian GAGNÉ & Pierre DUCHESNE, Université de MontréalRobust estimation and prediction in multivariateautoregressive models with exogenous variablesL’estimation et la prévision robustes sont considérées dansles modèles autorégressifs avec variables exogènes multiva-(VARX) are considered. The conditional least riées (VARX). Les estimateurs par moindres carrés condisquaresestimators (CLS) are known to be non ro- tionels (CLS) ne sont pas robustes quand des valeurs aberbustwhen outliers occur. To obtain robust estima- rantes surviennent. Afin d’obtenir des estimateurs robustes,tors, the method introduced in Duchesne (2005) la méthode introduite par Duchesne (2005) et Bou Hamadand Bou Hamad and Duchesne (2005) is general- et Duchesne (2005) est généralisée pour les modèles VARX.ized for VARX models. The asymptotic distribu- La distribution asymptotique des nouveaux estimateurs esttion of the new estimators is studied and from this étudiée et en particulier est obtenue de ce résultat la matriceis obtained in particular the asymptotic covariance de covariance asymptotique des estimateurs robustes. Les inmatrixof the robust estimators. Classical condi- tervalles de prévision conditionnels classiques reposent nortionalprediction intervals normally rely on estima- malement sur des estimateurs comme les estimateurs CLStors such as the usual non robust CLS estimators. non robustes. En présence de valeurs aberrantes, telles les va-In the presence of outliers, such as additive outliers, leurs aberrantes additives, ces prévisions classiques risquentthese classical predictions can be severely biased. d’être sévèrement biaisées. Plus généralement, la présenceMore generally, the occurrence of outliers may in- de valeurs aberrantes peut invalider les intervalles de prévivalidatethe usual conditional prediction intervals. sion conditionnels usuels. Conséquemment, la nouvelle mé-Consequently, the new robust methodology is used thodologie robuste est utilisée afin de développer des intertodevelop robust conditional prediction intervals valles de prévision conditionnels robustes qui prennent enwhich take into account parameter estimation un- compte l’incertitude entourant l’estimation des paramètres.certainty. In a simulation study, we investigate the Dans une étude de simulation, nous étudions les propriétésfinite sample properties of the robust prediction in- en échantillons finis des intervalles de prévision robustes enSH = Somerville House SSC = Social Science Centre UC = University College

Mercredi 31 mai • Wednesday, May 31, 15:00–16:30 173considérant plusieurs scénarios pour l’apparition des valeursaberrantes, et les nouveaux intervalles sont comparés aux in-tervalles non robustes basés sur les estimateurs CLS clas-siques.tervals under several scenarios for the occurrenceof the outliers, and the new intervals are comparedto non-robust intervals based on classical CLS estimators.[MS-232]Robust Optimal Tests for Non-causality in Multivariate Time SeriesTests optimaux et robustes de non-causalité pour des séries chronologiques multivariéesAbdessamad SAIDI & Roch ROY, Université de MontréalWe are deriving optimal rank-based tests for Grangernon-causality in multivariate time series. Assumingthat the global process admits a joint vectorautoregressive (VAR) representation with ellipticinnovation density, both no feedback and one directionnon-causality hypotheses are tested. Thesetests are based on multivariate residual ranks andsigns and are shown to be asymptotically distributionfree under elliptically symmetric innovationdensities and invariant with respect to some affinetransformations. Local powers and asymptotic relativeefficiencies are derived. Simulations comfirmtheoretical results about the size and power of theproposed rank-based methods, and establish theirgood robustness properties.Nous développons des tests optimaux de non-causalité ausens de Granger pour des séries chronologiques multiva-riées. En supposant que le processus global admet une re-présentation autorégressive vectorielle à symétrie elliptique,l’hypothèse de non-causalité unidirectionnelle et de rétroac-tion sont testées. Ces tests sont basés sur les signes et lesrangs multivariés des résidus. Ils sont valides sous la classedes distributions à symétrie elliptique et sont invariants sousl’action de certains groupes de transformations affines. Lespuissances locales et les efficacités asymptotiques relativessont calculées. Les simulations confirment les résultats théo-riques sur le niveau et la puissance des tests proposés, etmontrent la robustesse de ces derniers.[MS-233]Empirical Study of Portmanteau Test Statistics Designed for Multivariate Time SeriesÉtude empirique de tests de type portemanteau pour séries chronologiques multivariéesJennifer POULIN & Pierre DUCHESNE, Université de MontréalDans l’analyse des séries chronologiques multivariées, Duchesneet Roy (JMVA 2004) ont introduit des statistiquesde test de type portemanteau qui reposent sur des estima-teurs de la densité spectrale multivariée. Les statistiques detest convergent en distribution vers une loi normale centréeréduite sous l’hypothèse nulle d’absence de corrélation dansle terme d’erreur. Cependant, des études empiriques révèlentque les niveaux exacts des tests spectraux sont relativementloin des niveaux nominaux quand ils sont calculés utilisantles quantiles asymptotiques. Dans cette présentation nousdiscutons une modification des statistiques de test de Du-chesne et Roy (2004) utilisation la transformation introduitedans Chen et Deo (2003). L’objectif de cette présentation estde comparer par simulations les statistiques de test modifiéeset les statistiques de test spectrales originales.In the analysis of multivariate time series, Duchesneand Roy (2004) introduced portmanteau teststatistics based on kernel-based multivariate spectraldensity estimators. The test statistics convergein distribution toward a standard normal distributionunder the null hypothesis of no correlation inthe error term. However, empirical studies revealthat the exact levels of the spectral-based test statisticsappear to be relatively far from the nominalempirical levels when they are calculated using theasymptotic critical values. In this talk, we discuss amodification of the Duchesne and Roy (2004) teststatistics using the Chen and Deo (2003) transformation.The purpose of this presentation is to compareby simulations the modified test statistics andthe original spectral tests.SH = Somerville House SSC = Social Science Centre UC = University College

174 Mercredi 31 mai • Wednesday, May 31, 15:00–16:30Session 12G Mercredi 31 mai • Wednesday, May 31, 15:00–16:30 SSC3006Observational Studies: Methods and ApplicationsMéthodes et applications pour les études observationnelles[MS-234]Approximating Relative Risk Using Logistic Regression RevistedApproximation du risque relatif en utilisant la régression logistique : un second aperçuRussell STEELE, McGill University, Ian SHRIER, Jewish General HospitalWe will revisit a common approximation (mostcommonly attributed to Zhang and Yu) for relativerisk that uses the odds ratio estimates from logisticregression. Other authors have shown thatthis particular approximation can perform poorlyalthough they have not shown where it will performpoorly. We will show that a related, but differentform of the approximation allows for better insightinto when the rule of thumb will perform well andwhere it will not. The alternate form of the approximationuses basic principles of causal inference andBayesian model selection.Nous allons revoir une approximation connue (le plus généralementattribuée à Zhang et à Yu) pour le risque rela-tif qui emploie l’estimation de rapport de cotes de la ré-gression logistique. D’autres auteurs ont démontré que laperformance de cette approximation particulière peut êtrefaible, cependant ils n’ont pas specifié où se trouve cette fai-blesse. Nous montrerons qu’une forme connexe mais diffé-rente de l’approximation permet une meilleure compréhen-sion de quand la méthode empirique performe bien ou non.La forme alternative de l’approximation utilise des principesde base d’inférence causale et de la sélection de modèlesbayésiens.[MS-235]Bayesian Propensity Score Analysis for Observational DataAnalyse bayésienne de score de propension pour des données d’observationLawrence MCCANDLESS & Paul GUSTAFSON, University of British Columbia, Peter C AUSTIN, University of TorontoWe consider Bayesian regression adjustment forthe propensity score in observational studies withNous considérons l’ajustement d’un modèle de régressionbayésien pour les scores de propension dans les études obabinary exposure and binary outcome. The servationnelles avec une exposition binaire et des résultatsmethod uses two logistic regression models with binaires. La méthode emploie deux modèles de régressionthe propensity score as a latent variable. The first logistique, le score de propension servant comme variableregression models the relationship between the out- latente. La première régression modélise le rapport entre lescome, exposure and propensity score, while the résultats, l’exposition et le score de propension, alors que lasecond regression models the relationship between deuxième modélise le rapport entre le score de propension etthe propensity score and measured confounders. les facteurs parasites mesurés. La méthode de Monte CarloMarkov chain Monte Carlo is used for poste- par chaîne de Markov est employée pour les simulationsrior simulation. We contrast the performance of a posteriori. Nous comparons la performance de l’analyseBayesian propensity score analysis with frequen- bayésienne de scores de propension à des méthodes fréquentistmethods when applied to real and simulated tistes à travers des exemples d’application basés sur des dondata.nées réelles et simulées.SH = Somerville House SSC = Social Science Centre UC = University College

Mercredi 31 mai • Wednesday, May 31, 15:00–16:30 175[MS-236]Estimation of Parameters in Logistic Regression Models with Multiplicative Measurement ErrorEstimation des paramètres d’un modèle de régression logistique en présence d’erreur de mesuremultiplicativeHyang Mi KIM, Yutaka YASUI & Igor BURSTYN, University of AlbertaWe consider both sample- and group-based strategiesin multiplicative exposure and logistic re-Nous considérons des stratégies basées sur l’échantillonet le groupe pour des modèles d’exposition multiplicasponsemodels. With sample-based strategy, a cal- tive et de réponse logistique. Avec une stratégie basée suribration method fails to adjust measurement error l’échantillon, les méthodes de calibration ne peuvent ajusterwhen the error variance is large. The geometric l’erreur de mesure lorsque la variance de l’erreur est grande.mean has been used as a surrogate estimator in Cependant, des simulations montrent qu’utiliser la moyennethe group-based strategy. However, simulations géométrique mène à une sous- ou sur-estimation considéshowthat using the geometric mean leads to either rable du paramètre d’association des modèles logistiques.considerable over- or under- estimation of the as- Nous adoptons la modélisation bayésienne de mélange norsociationparameter in logistic models. We adopt mal pour réduire le biais causé par l’erreur de mesure multi-Bayesian normal mixture modeling to reduce bias plicative dans les modèles de régression logistique sous lesdue to multiplicative measurement error in logistic deux stratégies et démontrons sa supériorité.regression models for both strategies and demonstrateits superiority.[MS-237]Modelling Relative Risk of Cancer Incidence in a Cohort StudyModélisation du risque relatif de l’incidence du cancer au moyen dune étude de cohortesMaria LORENZI, BC Cancer AgencyIn occupational cohort studies, it is of prime interestto determine how cancer risk changes with increasingexposure to agents in the workplace. Usingdata from a cohort of aluminum smelter workers,we present a series of models relating the riskof bladder cancer, lung cancer, and non-Hodgkin’slymphoma to cumulative exposure to coal tar pitchvolatiles, measured as a time-dependent, continuousvariable. Additive and multiplicative relativerisk models are considered.Dans les études des cohortes professionnelles, il est degrande importance de déterminer comment le risque du can-cer change avec l’exposition aux divers agents dans le milieudu travail. Utilisant les données d’une cohorte d’ouvriersdans une fonderie d’aluminium, nous présentons une sériede modèles qui explorent la relation entre le risque du can-cer de la vessie, le cancer des poumons et du lymphome nonhodgkinien au niveau d”exposition aux vapeurs et aérosolsdu brai du goudron de l’houille, mesuré comme une variablecontinue qui change en fonction du temps. Des modèles derisque relatif additifs et multiplicatifs sont considérés.[MS-238]A Spatiotemporal Investigation of Echinococcus Multilocularis Infections Among Red Foxes in LowerSaxony, 1991 - 2005Une investigation spatiotemporelle des cas d’infections de Echinococcus Multilocularis chez les renardsrouges de la Basse-Saxe, de 1991 à 2005Olaf BERKE, University of Guelph and University of Veterinary Medicine, Hannover, GermanyL’échinococcose est une zoonose émergente dangereuse causéepar le cestode du renard (Echinococcus multilocularis).Des données d’infection d’environs 8 400 renards ont été re-cueillies dans 43 régions de la province allemande de Basse-Echinococcosis is a dangerous and an emergingzoonosis caused by the small fox tapeworm(Echinococcus multilocularis). Data about the infectionstatus of about 8.400 foxes were sampledSH = Somerville House SSC = Social Science Centre UC = University College

176 Mercredi 31 mai • Wednesday, May 31, 15:00–16:30from 43 regions in the German province of Lower Saxe au cours de trois périodes : 1991-1994, 1994-1997Saxony over three investigation periods 1991– et 2003-2005. La prévalence régionale médiane a passé de1994, 1994-1997 and 2003–2005. The median re- 5,8% à 11,4% à 16,9%. Mais que s’est-il passé à une échellegional period prevalence increased from 5.8% to spatiale plus fine ? Les données spatiales étaient stables dans11.4% and 16.9%. But what happened at a finer le temps et incluaient une grappe de maladie et une tendancespatial scale? Spatial data patterns were stable spatiale. Le krigeage est utilisé en combinaison à la détectionover time and include a disease cluster and aspa- de grappes par une statistique de balayage afin de produiretial trend. Kriging is used in combination with des cartes exploratoires du risque relatif.cluster detection by the scan statistic to produceexploratory relative risk maps.[MS-239]Statistical Inference in Predator-prey System Modeled under Intrinsic Period PropertyL’inférence statistique dans le système prédateur-proie modélisé sous la propriété intrinsèque de périodeSeverien NKURUNZIZA & S. Ejaz AHMED, University of WindsorIn this communication, we consider the inferenceproblem for the ratio of two interaction parameters,so-called conversion efficiency of theLotka-Volterra ordinary differential equations system(ODEs). The stochastic model under considerationviews the actual population sizes as randomperturbations of the solutions to this ODEs.Namely, we assume that the perturbations followcorrelated Ornstein-Uhlenbeck processes. An interestingand unusual feature is that no assumptionis made that the random variables are independent.In particular, the statistical testing procedure is presented.In this context, we establish the uniformlymost powerful unbiased test for the conversion efficiencyparameter. The asymptotic properties ofthe proposed test are derived. A simulation studyis conducted to assess the performance of the suggestedtesting procedure in a practical setting.Dans cette communication, nous considérons le problèmed’inférence pour le ratio de deux paramètres d’interaction,soit la conversion d’efficacité du système d’équations différentiellesordinaires (EDOs) de Lotka-Volterra. Le mo-dèle stochastique à l’étude traite les tailles réelles de po-pulation en tant que perturbations aléatoires des solutionsà ces EDOs. Nous supposons que les perturbations suiventdes processus Ornstein-Uhlenbeck corrélés. Une caractéris-tique intéressante et peu commune est que nous ne présu-mons pas l’indépendance des variables aléatoires. En parti-culier, la procédure du test statistique est présentée. Dans cecontexte, nous établissons le test non biaisé uniformément leplus puissant pour la conversion du paramètre d’efficacité.Les propriétés asymptotiques du test proposé sont dérivées.Une étude par simulation a été faite afin d’évaluer la perfor-mance de la procédure du test suggéré.Session 12H Mercredi 31 mai • Wednesday, May 31, 15:00–16:30 SSC3014Modelling and Analysis in Sample SurveysModélisation et analyse pour l’échantillonnage[MS-240]Heavy-tails and the Central Limit Theorem in Business SurveysAiles lourdes et le théorème limite centrale dans les enquêtes auprès des entreprisesJack LOTHIAN, Statistics CanadaLes distributions à aile lourde sont omniprésentes dans lesenquêtes auprès des entreprises. Quoique la forme fonction-nelle de ces distributions change, la plupart des « meilleursajustements » sont des distributions définies-positives, asy-Heavy-tailed distributions are ubiquitous in businesssurveys. While the functional form of thesedistributions vary, most of the ‘best-fit’ are positivedefiniteright-skewed heavy-tailed sub-exponentialSH = Somerville House SSC = Social Science Centre UC = University College

Mercredi 31 mai • Wednesday, May 31, 15:00–16:30 177distributions with finite first moments. This paper métriques à droite, à ailess lourdes, sous-exponentielles avecexplores the empirical size distributions of Cana- des premiers moments finis. Cet article explore les distridiancorporations over a 25-year period. A log- butions de la taille empirique des sociétés canadiennes surnormal distribution was an excellent fit for the size une période de 25 ans. Une distribution log-normale étaitdistribution, a log-Laplace for the growth rates, and un excellent ajustement pour la distribution de la taille, unea log-Subbotin for the ratio of 2 size measures. The log-Laplace pour les taux de croissance, et une log-SubbotinCentral Limit Theorem applied to the size measure pour le ratio de 2 mesures de taille. Le théorème central libutpossibly not to the growth rates and it prob- mite s’applique pour la mesure de taille mais probablementably does not hold for some ratios of economic pas aux taux de croissance et il n’est probablement pas vavariables.lide pour quelques ratios de variables économiques.[MS-241]A Survey of Evangelical Mennonite Mission Conference of Churches: A Look at Factors that Impact GrowthUne étude de la conférence des églises de la mission évangélique mennonite et des facteurs en influençant lacroissanceEddy REMPEL, McMaster University, Lehana THABANE, Department of Clinical Epidemilogy and Biostatistics,McMaster University, Centre for Evaluation of Medicines, St Joseph’s HealthcareLa Conférence de la mission évangélique mennonite (CMEM)est un groupe de 40 églises (30 au Canada et quelques-unes aux États-Unis, au Mexique et au Belize). La CMEMsouhaite examiner sa croissance telle que mesurée parl’augmentation de l’assistance, du nombre de membres etdu nombre d’églises.Cette étude identifie des facteurs contribuant à la croissancede la CMEM. Elle détermine aussi si ces facteurs diffèrentselon la région géographique, la taille de l’église et l’état decroissance.Nous avons combiné les dossiers annuels des églises de laCMEM et les données de recensement des quartiers deséglises avec des sondages des prêtres senior et des dirigeantsd’églises identifiés par la CMEM. Cette présentation exa-mine les facteurs associés à une croissance accrue.The Evangelical Mennonite Mission Conference(EMMC) is a group of 40 churches (30 in Canadaand a few in the United States, Mexico, and Belize).The EMMC wishes to examine their growthas measured by increases in attendance, membership,and number of churches.This study identifies factors that contribute to increasedEMMC growth. It also determines whetherthese differ by geographic region, church size, andgrowth status.We combined EMMC annual church records andnational census demographics of the church neighbourhoodwith surveys of all senior pastors andchurch leaders identified by the EMMC. This presentationexamines factors which are associatedwith increased growth.[MS-242]Evaluating Likert Items Using Inter-Item θEstimation des items de Likert en utilisant l’inter-item θFloyd RUDMIN, University of Tromsø, NorwayLes échelles de Likert sont évaluées par les corrélations entreitems, i.e., alpha de Cronbach, pour répertorier combien lesindividus répondent d’une façon semblable. Les problèmesconsistent à identifier simultanément les caractéristiques àl’écart et les répondants à l’écart, dans de petits échantillons,en utilisant les corrélations qui sont affectées par des don-nées aberrantes. Également, les items peuvent être grou-pés dans des sous-échelles, et les répondants peuvent êtregroupés dans des sous-classes. La présente étude articuleraLikert scales are evaluated by inter-item correlations,i.e., Cronbach alpha, to index how much theitems elicit similar responses. Problems are to simultaneouslyidentify deviant items and deviant respondents,to do this with small samples, using correlationsthat are inflated by outliers. Also, itemsmay cluster into sub-scales, and respondents maycluster into sub-classes. The present study will articulateand demonstrate the use of polar coordi-SH = Somerville House SSC = Social Science Centre UC = University College

178 Mercredi 31 mai • Wednesday, May 31, 15:00–16:30nates (r, θ) to compute inter-item θ for each pair- et démontrera l’utilisation des coordonnées polaires (r, θ)ing of items for each individual respondent to eval- pour calculer l’inter-item θ pour chaque paire d’items, pouruate Likert items, in comparison to the Cronbach chaque répondant afin d’évaluer les échelles de Likert, parmethod, to item response theory, and to confirma- rapport à la méthode de Cronbach, à la théorie de réponsetory factor analysis.d’items, et à l’analyse factorielle confirmatoire.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.SH = Somerville House SSC = Social Science Centre UC = University College

179Author Index • Index des auteursABARIN, Taraneh . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124ABDOUS, Belkacem . . . . . . . . . . . . . . . . . . . . . . . . . . . 114ABRAHAM, Bovas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153ADEWALE, Adeniyi . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140ADLER, Robert . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68AHMED, S. Ejaz . . . . . . . . . . 78, 79, 126, 160, 171, 176AHN, Soohan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .162ALBERS, Willem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149AL-KHALIDI, Abdul Sattar . . . . . . . . . . . . . . . . . . . . . . 98AL-KHASAWNEH, Mohanad . . . . . . . . . . . . . . . . . . . . . 171ALVO, Mayer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99, 152AN, Lihua . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160ANDERSON, Clive . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86ANDREWS, David . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101ASHLOCK, Daniel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106ASIMIT, Alexandru . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125ASIMIT, Jennifer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76ATENAFU, Eshetu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .141AUSTIN, Peter C . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174AXELROD, David . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133BADESCU, Alex . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154BADESCU, Andrei . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 162BALAN, Raluca . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157BANKS, David . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132BASHIR, Shaheena . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172BEAUDOIN, David . . . . . . . . . . . . . . . . . . . . . . . . . 115, 127BEAUMONT, Jean-François . . . . . . . . . . . . . . . . . . . . . 130BELLHOUSE, David R. . . . . . . . . . . . . . . . . . . . . . . . . . 136BENGHABRIT, Youssef . . . . . . . . . . . . . . . . . . . . . . . . . 155BERKE, Olaf . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175BERRY, Donald . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148BEYENE, Joseph . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106BHAMANI, Azim . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143BINGHAM, Derek . . . . . . . . . . . . . . . . . . . . . . . 80, 86, 164BOCCI, Cynthia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130BOLSTAD, Ben . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63BORDENAVE, Charles . . . . . . . . . . . . . . . . . . . . . . . . . . 108BOUZAACHANE, Khadija . . . . . . . . . . . . . . . . . . . . . . . . 155BOYETT, James M. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122BRAUN, W. John . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76, 77BRAUN, Willard . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .64BREED, Greg . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117BRESLOW, Norman . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89BRETTSCHNEIDER, Julia . . . . . . . . . . . . . . . . . . . . . . . . . . 63BREWSTER, John . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164BRILLINGER, David . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145BRIOLLAIS, Laurent . . . . . . . . . . . . . . . . . . . . . . . 158, 159BRION, Vladislav . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99BUBENIK, Peter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168BULL, Shelley . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119BURKE, Murray . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .85BURNHAM, Alison . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91BURSTYN, Igor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .175CABILIO, Paul . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122CAMPBELL, David . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94CAO, Jiguo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94, 141CARABARIN, Alberto . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99CARRIÈRE, Keumhee Chough . . . . . . . . . . . . . . . . . . . 81CARRILLO-GARCIA, Ivan . . . . . . . . . . . . . . . . . . . . . . . .102CARTER, Edward . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .172CHANG, Theodore . . . . . . . . . . . . . . . . . . . . . . . . . . . . .168CHAPMAN, Judy-Anne . . . . . . . . . . . . . . . . . . . . . . . . . 133CHEN, Edward J. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143CHEN, Gemai . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150CHEN, Jiahua . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153, 170CHENG, Cheng . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100CHENG, Ji . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113CHENOURI, Shojaeddin . . . . . . . . . . . . . . . . . . . . . . . . 115CHIPMAN, Hugh . . . . . . . . . . . . . . . . . . . . . . . .79, 96, 139CHOI, Yun Hee . . . . . . . . . . . . . . . . . . . . . . . . . . 103, 159CHRISTENS-BARRY, William . . . . . . . . . . . . . . . . . . . . 133COLLIN, François . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63COLUBI, Ana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153COOK, Richard . . . . . . . . . . . . . . . . . . . . . . . . . . . .66, 141CORAK, Miles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151CORBETT, Bradley . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .70COREY, Paul . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121CRAIU, Radu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119CROY, B. Anne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143CSÖRGŐ, Miklós . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84DABROWSKI, André . . . . . . . . . . . . . . . . . . . . . . . . . . . . .61

180 Author Index • Index des auteursDAVIES, Katherine . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76DAVISON, Matt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72DAWSON, Donald . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109DEAN, Charmaine . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .89DEBLOIS, Sylvie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130DEERING, Kathleen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82DE LEON, Alexander . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65DENG, Dianliang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .98DOLOVICH, Lisa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128DOWD, Michael . . . . . . . . . . . . . . . . . . . . . . . . . . . 73, 116DREKIC, Steve . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135DUCHESNE, Pierre . . . . . . . . . . . . . . . . . . . . . . . . 172, 173DUCHESNE, Thierry . . . . . . . . . . . . . . . . . . . . . . . 114, 115DUPÉRÉ, Véronique . . . . . . . . . . . . . . . . . . . . . . . . . . . 165DUPUIS, Debbie . . . . . . . . . . . . . . . . . . . . . . . . . . . 61, 124EINMAHL, Uwe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92ESCOBAR, Michael . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95EVANS, Mike . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95EVRA, Rose-Carline . . . . . . . . . . . . . . . . . . . . . . . . . . .130FAN, Zhaozhi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .97FELDMAN-STEWART, Deb . . . . . . . . . . . . . . . . . . . . . . . 127FERLAND, René . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156FERNANDO, Rajulton . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69FLEMMING, Joanna . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117FOGEL, Gary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105FRIENDLY, Michael . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135FU, Yuejiao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133, 170GAGNÉ, Christian . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172GAO, Ruochu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138GARRIDO, José . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .167GASTWIRTH, Joseph . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63GEL, Yulia R. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63GENEST, Christian . . . . . . . . . . . . . . . . . . . . . . . . 115, 136GERLACH, Richard . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155GHORI, Razi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .78GHOSH, Debashis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133GHOSH, Sunita . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148GIBBS, Alison . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74GIBSON, Edward . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128GIL, Maria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153GINÉ, Evarist . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119, 120GLOBERSON, Amir . . . . . . . . . . . . . . . . . . . . . . . . . . . . .131GOMBAY, Edit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85GONZALEZ-RODRIGUEZ, Gil . . . . . . . . . . . . . . . . . . . . . 153GOTTARDO, Raphael . . . . . . . . . . . . . . . . . . . . . . . . . . . 118GRAMACY, Robert . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71GREENWOOD, Celia . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131GUPTA, Mayetri . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118GUSTAFSON, Paul . . . . . . . . . . . . . . . . . . . . . . . . . . 67, 174GUTTORP, Peter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74HA, Hyung-Tae . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110HABIBI, Reza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94HAIDAR, Bassam . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61HAQ, Mahbubul . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128HARRINGTON, Justin . . . . . . . . . . . . . . . . . . . . . . . . . . . 138HARSHMAN, Richard . . . . . . . . . . . . . . . . . . . . . . . . 62, 64HARTI, Mostaf . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .155HASAN, M. Tariqul . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158HAWKINS, Douglas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149HE, Wenqing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160HE, Xin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123HEINEMEYER, Andreas . . . . . . . . . . . . . . . . . . . . . . . . . . 86HILL, Harvey . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75HOOKER, Giles . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94, 141HOQUE, Zahirul . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .155HORROCKS, Julie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143HOSSAIN, Shakhwat . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79HOWARD, Allan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75HU, Ze-Chun . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134HUANG, Mei Ling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92HUANG, Rong . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166HUI, Wai Lok Wallace . . . . . . . . . . . . . . . . . . . . . . . . . 63HUNSBERGER, Paul . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131HUSSEIN, Abdulkadir . . . . . . . . . . . . . . . . . . . . . . . . . . . 78HYNDMAN, Cody . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156IBRAHIM, Joseph . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118IVANOFF, B. Gail . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99IVANOFF, Gail . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .157JAMES, Mike . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117JANGA, Sarath . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105JANKOWSKI, Hanna . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157JENNISON, Christopher . . . . . . . . . . . . . . . . . . . . . . . . . . 84JIANG, Depeng . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .62JIANG, Tiefeng . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93JIANG, Zhichang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65JIN, Zi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75JOCELYN, Wisner . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129JOHNSON, Edward . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88JONES, Bruce . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125JONSEN, Ian . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117JORDAN, Adriana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .157JØRGENSEN, Bent . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137KACZOROWSKI, Janusz . . . . . . . . . . . . . . . . . . . . . . . . . 128

Author Index • Index des auteurs 181KALBFLEISCH, Jack . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137KALLENBERG, Wilbert C.M. . . . . . . . . . . . . . . . . . . . . 149KANG, Sohee . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95KARUNANAYAKE, Chandima . . . . . . . . . . . . . . . . . . . . .147KENNEDY, Marc . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .86KERMAN, Ron . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92KHAN, Abdul . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .111KHAN, Shahjahan . . . . . . . . . . . . . . . . . . . . . . . . 125, 170KHAN, Sohail . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126KIBRIA, B. M. Golam . . . . . . . . . . . . . . . . . . . . . . . . . . 77KIM, Hyang Mi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175KIM, Peter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168KING, Maxwell . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80KLOTZ, Laurence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112KORU-SENGUL, Tulay . . . . . . . . . . . . . . . . . . . . . . . . . . 104KOULIS, Theodoro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72KOVACEVIC, Milorad . . . . . . . . . . . . . . . . . . . . . . 102, 166KULIK, Rafal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120KULPERGER, Reg . . . . . . . . . . . . . . . . . . . . . . . . . . 77, 154KUSTRA, Rafal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161LACOURSE, Eric . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165LAKHAL-CHAIEB, Lajmi . . . . . . . . . . . . . . . . . . . . . . . . 127LANDRIAULT, David . . . . . . . . . . . . . . . . . . . . . . . . . . . 163LAROCQUE, Denis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109LARSEN, Michael . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87LAVALLÉE, Pierre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102LAWLESS, Jerry . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66LAZAR, Emese . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154LEE, Chu-In . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111LEE, Herbert K. H. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .71LEITH, Chris . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145LI, Pengfei . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170LIANG, Yuanyuan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81LIN, Chunfang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80LIN, Chunfang (Devon) . . . . . . . . . . . . . . . . . . . . . . . 103LIN, X. Sheldon . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167LIN, Xihong . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .67LINKLETTER, Crystal . . . . . . . . . . . . . . . . . . . . . . . . . . . .80LITTNAN, Charles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145LIU, Lin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111LIX, Lisa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82LOAIZA, Edilberto . . . . . . . . . . . . . . . . . . . . . . . . . . . . .151LOBLAW, Andrew . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112LOCKHART, Richard . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80LOEPPKY, Jason . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .86LOMAS, Mark . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .86LORENZI, Maria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .175LOTHIAN, Jack . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 176LOUGHIN, Tom . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80LU, Wilson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80LU, Xuewen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97LUNDY, Margaret E. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62MA, Zhi- Ming . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134MACDONALD, Peter . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138MACH, Lenka . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129MANTEL, Harold . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143MARCEL, Yves . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .61MARTSYNYUK, Yuliya . . . . . . . . . . . . . . . . . . . . . . . . . 158MASON, David . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120MASON, David M. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119MATTHEWS, E. David . . . . . . . . . . . . . . . . . . . . . . . . . . 103MCALPINE, Rob . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88MCBRIDE, Mary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114MCCANDLESS, Lawrence . . . . . . . . . . . . . . . . . . . . . . . 174MCCARTHY, Lisa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128MCCULLOCH, Charles . . . . . . . . . . . . . . . . . . . . . . . . . . .90MCDONALD, David . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108MCDUFFIE, Helen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147MCLEOD, Ian . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155, 160MCLEOD, Rob . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164MCRAE, Kenneth . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112MELNIKOV, Alexander . . . . . . . . . . . . . . . . . . . . . . . . . 134MIAO, Weiwen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63MICHAILIDIS, George . . . . . . . . . . . . . . . . . . . . . . . . . . 164MIHRAM, Danielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101MIHRAM, G. Arthur . . . . . . . . . . . . . . . . . . . . . . . . . . . 101MILLER, Naomi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .133MOLENBERGHS, Geert . . . . . . . . . . . . . . . . . . . . . . . . . . 148MOLNAR, Danielle Sirriani . . . . . . . . . . . . . . . . . . . . . 128MORALES, Manuel . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167MORENO-HAGELSIEB, Gabriel . . . . . . . . . . . . . . . . . . . 105MOSESOVA, Sofia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96MOSHONOV, Hadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95MUDRYK, Walter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .144MULAYATH VARIYATH, Asokan . . . . . . . . . . . . . . . . . . . 153MURDOCH, Duncan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61MURRAY, Scott . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150MYERS, Ransom . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117NAGY, Bela . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86NATHOO, Farouk . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89NEAL, Radford . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131NEATON, James . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83NEUHAUS, John . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90NEVALAINEN, Jaakko . . . . . . . . . . . . . . . . . . . . . . . . . . .109NEWCOMBE, Pat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .144NEWLANDS, Nathaniel . . . . . . . . . . . . . . . . . . . . . . . . . . 75

182 Author Index • Index des auteursNG, Peggy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74NKURUNZIZA, Severien . . . . . . . . . . . . . . . . . . . . . . . . 176O’BRIEN, Susan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128O’HAGAN, Anthony . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86OJA, Hannu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109O’ROURKE, Keith . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107OUALKACHA, Karim . . . . . . . . . . . . . . . . . . . . . . . . . . . 169OULD HAYE, Mohamedou . . . . . . . . . . . . . . . . . . . . . . 154PAHWA, Punam . . . . . . . . . . . . . . . . . . . . . . . . . . .147, 148PARK, Do-Hwan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123PARKER, Peter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163PATERSON, Andrew . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119PATRANGENARU, Victor . . . . . . . . . . . . . . . . . . . . . . . . . 168PELLETIER, Éric . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129PENG, Jianan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111PENG, Yingwei . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98PEPLER, Debra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62PERCACCIO, Anthony . . . . . . . . . . . . . . . . . . . . . . . . . . . 92PETERSON, Ivars . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66PHIPPS, Sean . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122PICKA, Jeffrey . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169PLANTE, Jean-François . . . . . . . . . . . . . . . . . . . . . . . . 100PLATT, H.W. (Bud) . . . . . . . . . . . . . . . . . . . . . . . . . . . .112PODDER, Mohua . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142POND, Gregory . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81PONG, Hoki . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143POULIN, Jennifer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173POWLES, A.C. Peter . . . . . . . . . . . . . . . . . . . . . . . . . . . 128PRITCHARD, Zachary . . . . . . . . . . . . . . . . . . . . . . . . . . 129PROUTIÈRE, Alexandre . . . . . . . . . . . . . . . . . . . . . . . . .108PROVOST, Serge . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110PULLENAYEGUM, Eleanor . . . . . . . . . . . . . . . . . . . . . . . . 83PUNTANEN, Simo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136PURSEY, Stuart . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131QIAN, Jin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133QU, Pingping . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118RABE-HESKETH, Sophia . . . . . . . . . . . . . . . . . . . . . . . . 165RAI, Shesh N. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122RAMASWAMI, Vaidyanathan . . . . . . . . . . . . . . . . . . . . 162RAMSAY, James O. . . . . . . . . . . . . . . . . . . . . . . . . .94, 141RANJAN, Pritam . . . . . . . . . . . . . . . . . . . . . . . . . . . 80, 164RAO, J.N.K. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125, 146REESE, Shane . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .86REESOR, Mark . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72REMPEL, Eddy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177REN, Qunshu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .146RIVEST, Louis-Paul . . . . . . . . . . . . . . . . . . . . . . . 127, 169ROBERTS, Georgia . . . . . . . . . . . . . . . . . . . . . . . . . . . . .146ROMANIUK, Yulia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134ROSA, Guilherme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133ROSALSKY, Andrew . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93ROWEIS, Sam . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131ROY, Roch . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173ROY, Valérie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114RUBIN-BLEUER, Susana . . . . . . . . . . . . . . . . . . . . . . . . 147RUDMIN, Floyd . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177SAGR, Anwar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .171SAHA, Krishna . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .80SAIDI, Abdelnasser . . . . . . . . . . . . . . . . . . . . . . . . . . . 147SAIDI, Abdessamad . . . . . . . . . . . . . . . . . . . . . . . . . . . 173SALEH, A K Md Ehsanes . . . . . . . . . . . . . . . . . . . . . . 125SALEH, A. K. Md. E. . . . . . . . . . . . . . . . . . . . . . . . . . . 154SAWKA, Anna . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107SCHAUBEL, Douglas . . . . . . . . . . . . . . . . . . . . . . . . . . . 137SCHMULAND, Byron . . . . . . . . . . . . . . . . . . . . . . . . . . . 108SENDOVA, Kristina . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167SERBAN, Daniel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85SHELLEY, Bull . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159SHEN, Hui . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139SHRIER, Ian . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174SIMPSON, William . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76SINGH, Gurbakhshash . . . . . . . . . . . . . . . . . . . . . . . . . 114SITTER, Randy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103SIU, Lillian . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81SKRONDAL, Anders . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165SMIEJA, Marek . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113SMITH, Bruce . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145SMITH, Stephen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .116SONG, Peter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137SPEED, Terence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63SREBOTNJAK, Tanja . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73SRIVASTAVA, Deo Kumar . . . . . . . . . . . . . . . . . . . . . . . 122STALLARD, Jim . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .121STANFORD, David . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 162STEELE, Russell . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174STEWART, Brent . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145STROHSCHEIN, Lisa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70STUKEL, Diane . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147STUKEL, Thérèse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90STYAN, George . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136SU, Wanhua . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .96SUGATHADASA, Samanmalee . . . . . . . . . . . . . . . . . . . . 168SUN, Jack . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113SUN, Jianguo (Tony) . . . . . . . . . . . . . . . . . . . . . . . . . . 123

Author Index • Index des auteurs 183SUN, Jie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97SUN, Lei . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119, 159SUN, Liuquan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123SUN, Shuying . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131SUN, Wei . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134SUN, Ye . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110SUTCLIFFE, Paul . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61SZYSZKOWICZ, Barbara . . . . . . . . . . . . . . . . . . . . . . . . . 84TAKAHARA, Glen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145TARDIF, Charles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129TAYLOR, Jeremy . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67, 98TAYLOR, Jonathan . . . . . . . . . . . . . . . . . . . . . . . . . . 68, 69TEKPETEY, Francis . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143THABANE, Lehana . . . . . . . . . . . . . . . . . . . . 113, 128, 177THÉBERGE, François . . . . . . . . . . . . . . . . . . . . . . . . . . . 152THOMPSON, Mary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65TITHECOTT, Al . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88TOLUSSO, David . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141TONG, Xingwei . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123TORABI, Mahmoud . . . . . . . . . . . . . . . . . . . . . . . . . . . .125TSAI, Yu-Ling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61TU, Dongsheng . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127VANDAL, Nathalie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100VAN DEN HEUVEL, Marianne . . . . . . . . . . . . . . . . . . . . 143VAN HOREBEEK, Johan . . . . . . . . . . . . . . . . . . . . . . . . . 139VICTORIA-FESER, Maria-Pia . . . . . . . . . . . . . . . . . . . . 124VIERTL, Reinhard . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152VINING, Geoff . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115VOLODIN, Andrei . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .93WANG, Miao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127WANG, Qiying . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84WANG, Xikui . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81WANG, Xu Sunny . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79WANG, Zilin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65WATIER, François . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156WELCH, William J. . . . . . . . . . . . . . . . . 79, 86, 139, 142WELLNER, Jon . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89WHITEHEAD, Tyson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72WHITLOCK, Richard . . . . . . . . . . . . . . . . . . . . . . . . . . . 113WIENS, Douglas P. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140WILLAN, Andrew . . . . . . . . . . . . . . . . . . . . . . . . . . 83, 106WILLIAMS, Kathryn . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61WILLMOT, Gordon . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166WONG, Augustine . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110WOODWARD, Ian . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86WOOLFORD, Douglas . . . . . . . . . . . . . . . . . . . . . . . 77, 162WORSLEY, Keith . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68, 69WU, Changbao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102WU, LongYang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159WU, Longyang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159XIE, Hansheng . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144XU, Liqin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .113XU, Xiaojian . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .102YAN, Mi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128YASUI, Yutaka . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175YE, Wen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67YE, Yining . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137YI, Grace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68YI, Y. Yi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103YI, Yanqing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .81YING, Shih-Wa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114YOUNG, S. Stanley . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142YU, Binbing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98YUAN, Xiaobin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100YUAN, Yan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133ZAGDANSKI, Adam . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161ZAMAR, Ruben H. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142ZAMFIRESCU, Ingrid-Mona . . . . . . . . . . . . . . . . . . . . . 157ZAREPOUR, Mahmoud . . . . . . . . . . . . . . . . . . . . . . . . . . 94ZEESHAN, Zeeshan . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131ZHANG, Lijun . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122ZHANG, Lingyun . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150ZHANG, Liying . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112ZHANG, Ying . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155ZHANG, Yu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140ZHAO, Yang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82ZHENG, Zheng . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75ZHOU, Lutong . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64ZHOU, Qian . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137, 142ZHU, Mu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96, 142ZHU, Yongtao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65ZIDEK, James V. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100

184Author Index (per session)Index des auteurs (par session)ABARIN, Taraneh . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07GABDOUS, Belkacem . . . . . . . . . . . . . . . . . . . . . . . . . . . 06HABRAHAM, Bovas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10FADEWALE, Adeniyi . . . . . . . . . . . . . . . . . . . . . . . . . . . . 08FADLER, Robert . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02BAHMED, S. Ejaz . . . . . . . . . . 02H, 07H, 10H, 12F, 12GAHN, Soohan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11BALBERS, Willem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .10BAL-KHALIDI, Abdul Sattar . . . . . . . . . . . . . . . . . . . . . 04GAL-KHASAWNEH, Mohanad . . . . . . . . . . . . . . . . . . . . . 12FALVO, Mayer . . . . . . . . . . . . . . . . . . . . . . . . . . . 04H, 10DAN, Lihua . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10HANDERSON, Clive . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 03DANDREWS, David . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 05AASHLOCK, Daniel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 06CASIMIT, Alexandru . . . . . . . . . . . . . . . . . . . . . . . . . . . 07GASIMIT, Jennifer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02GATENAFU, Eshetu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 08GAUSTIN, Peter C . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12GAXELROD, David . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 08BBADESCU, Alex . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10FBADESCU, Andrei . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11BBALAN, Raluca . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10GBANKS, David . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 08ABASHIR, Shaheena . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12FBEAUDOIN, David . . . . . . . . . . . . . . . . . . . . . . . . 06H, 07HBEAUMONT, Jean-François . . . . . . . . . . . . . . . . . . . . . . 07IBELLHOUSE, David R. . . . . . . . . . . . . . . . . . . . . . . . . . 08DBENGHABRIT, Youssef . . . . . . . . . . . . . . . . . . . . . . . . . 10FBERKE, Olaf . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12GBERRY, Donald . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10ABEYENE, Joseph . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 06DBHAMANI, Azim . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 08GBINGHAM, Derek . . . . . . . . . . . . . . . . . . . 02H, 03D, 12ABOCCI, Cynthia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07IBOLSTAD, Ben . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 0BORDENAVE, Charles . . . . . . . . . . . . . . . . . . . . . . . . . . 06EBOUZAACHANE, Khadija . . . . . . . . . . . . . . . . . . . . . . . . 10FBOYETT, James M. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07FBRAUN, W. John . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02GBRAUN, Willard . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 0BREED, Greg . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07BBRESLOW, Norman . . . . . . . . . . . . . . . . . . . . . . . . . . . 04CBRETTSCHNEIDER, Julia . . . . . . . . . . . . . . . . . . . . . . . . . . . 0BREWSTER, John . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12ABRILLINGER, David . . . . . . . . . . . . . . . . . . . . . . . . . . . 09BBRIOLLAIS, Laurent . . . . . . . . . . . . . . . . . . . . . . . . . . . 10HBRION, Vladislav . . . . . . . . . . . . . . . . . . . . . . . . . . . . .04HBROWNE, Ryan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10EBUBENIK, Peter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .12DBULL, Shelley . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .07CBURKE, Murray . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 03CBURNHAM, Alison . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04DBURSTYN, Igor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12GCABILIO, Paul . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07ECAMPBELL, David . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04FCAO, Jiguo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04F, 08GCARABARIN, Alberto . . . . . . . . . . . . . . . . . . . . . . . . . . 04HCARRIÈRE, Keumhee Chough . . . . . . . . . . . . . . . . . . . 02ICARRILLO-GARCIA, Ivan . . . . . . . . . . . . . . . . . . . . . . . 06ACARTER, Edward . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12FCHANG, Theodore . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12DCHAPMAN, Judy-Anne . . . . . . . . . . . . . . . . . . . . . . . . .08BCHEN, Edward J. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 08HCHEN, Gemai . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10BCHEN, Jiahua . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10F, 12ECHENG, Cheng . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04HCHENG, Ji . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 06GCHENOURI, Shojaeddin . . . . . . . . . . . . . . . . . . . . . . . . 06HCHIPMAN, Hugh . . . . . . . . . . . . . . . . . . . . . 02H, 04F, 08FCHOI, Yun Hee . . . . . . . . . . . . . . . . . . . . . . . . . .06B, 10HCHRISTENS-BARRY, William . . . . . . . . . . . . . . . . . . . . 08BCHU, Rachel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02FCHUNG, Sharon . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .10ECOLLIN, François . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .0COLUBI, Ana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10D

Author Index (per session) • Index des auteurs (par session) 185COOK, Richard . . . . . . . . . . . . . . . . . . . . . . . . . 02A, 08GCORAK, Miles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .10CCORBETT, Bradley . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02CCOREY, Paul . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07ECRAIU, Radu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .07CCROY, B. Anne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 08GCSÖRGŐ, Miklós . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .03CCUI, Yin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10EDABROWSKI, André . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 0DAVIES, Katherine . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02GDAVIS, Matthew . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .10IDAVISON, Matt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02DDAWSON, Donald . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 06EDEAN, Charmaine . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04BDEBLOIS, Sylvie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07IDEERING, Kathleen . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02IDE LEON, Alexander . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 0DENG, Dianliang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04GDENG, MingXia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10EDOLOVICH, Lisa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07HDOWD, Michael . . . . . . . . . . . . . . . . . . . . . . . . . 02E, 07BDREKIC, Steve . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 08CDU, Meng . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10EDUCHESNE, Pierre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12FDUCHESNE, Thierry . . . . . . . . . . . . . . . . . . . . . . . . . . . 06HDUPÉRÉ, Véronique . . . . . . . . . . . . . . . . . . . . . . . . . . .12BDUPUIS, Debbie . . . . . . . . . . . . . . . . . . . . . . . . . . . .0, 07GEINMAHL, Uwe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04EESCOBAR, Michael . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04FEVANS, Mike . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04FEVRA, Rose-Carline . . . . . . . . . . . . . . . . . . . . . . . . . . . 07IFAN, Shuyu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02FFAN, Zhaozhi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04GFANG, Lin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10EFAROOQI, Ahmad A. . . . . . . . . . . . . . . . . . . . . . . . . . . 10EFELDMAN-STEWART, Deb . . . . . . . . . . . . . . . . . . . . . . .07HFERLAND, René . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10GFERNANDES, Kimberly . . . . . . . . . . . . . . . . . . . . . . . . . 02FFERNANDO, Rajulton . . . . . . . . . . . . . . . . . . . . . . . . . . 02CFLEMMING, Joanna . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07BFOGEL, Gary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 06CFRIENDLY, Michael . . . . . . . . . . . . . . . . . . . . . . . . . . . 08DFU, Yuejiao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 08B, 12EGAGNÉ, Christian . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12FGAO, Ruochu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 08FGARRIDO, José . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12CGASTWIRTH, Joseph . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 0GEL, Yulia R. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .0GENEST, Christian . . . . . . . . . . . . . . . . . . . . . . . 06H, 08DGERLACH, Richard . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10FGHORI, Razi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02HGHOSH, Debashis . . . . . . . . . . . . . . . . . . . . . . . . . . . . .08BGHOSH, Sunita . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 09CGIBBS, Alison . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02FGIBSON, Edward . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07HGIL, Maria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10DGINÉ, Evarist . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07DGLOBERSON, Amir . . . . . . . . . . . . . . . . . . . . . . . . . . . . 08AGOMBAY, Edit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 03CGONZALEZ-RODRIGUEZ, Gil . . . . . . . . . . . . . . . . . . . . .10DGOTTARDO, Raphael . . . . . . . . . . . . . . . . . . . . . . . . . . 07CGRAMACY, Robert . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02DGREENWOOD, Celia . . . . . . . . . . . . . . . . . . . . . . . . . . . 08AGRIEVE, Charlotte . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10EGUO, Pengfui . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02FGUPTA, Mayetri . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07CGUSTAFSON, Paul . . . . . . . . . . . . . . . . . . . . . . . . 02A, 12GGUTTORP, Peter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02EHA, Hyung-Tae . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 06FHABIBI, Reza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04FHAIDAR, Bassam . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 0HAN, David . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .10EHAQ, Mahbubul . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07HHARRINGTON, Justin . . . . . . . . . . . . . . . . . . . . . . . . . . . 08FHARSHMAN, Richard . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 0HARTI, Mostaf . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10FHASAN, M. Tariqul . . . . . . . . . . . . . . . . . . . . . . . . . . . 10HHAWKINS, Douglas . . . . . . . . . . . . . . . . . . . . . . . . . . . 10BHE, Dan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10IHE, Lei . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10IHE, Wenqing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10HHE, Xin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07FHEINEMEYER, Andreas . . . . . . . . . . . . . . . . . . . . . . . . 03DHILL, Harvey . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02GHOOKER, Giles . . . . . . . . . . . . . . . . . . . . . . . . . . 04F, 08GHOQUE, Zahirul . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10FHORROCKS, Julie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 08GHOSSAIN, Shahadut . . . . . . . . . . . . . . . . . . . . . . . . . . . 02FHOSSAIN, Shakhwat . . . . . . . . . . . . . . . . . . . . . . . . . . 02HHOWARD, Allan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02GHU, Ze-Chun . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 08CHUANG, Mei Ling . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04EHUANG, Rong . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12BHUI, Wai Lok Wallace . . . . . . . . . . . . . . . . . . . . . . . . . . .0

186 Author Index (per session) • Index des auteurs (par session)HUNSBERGER, Paul . . . . . . . . . . . . . . . . . . . . . . . . . . . . .07IHUSSEIN, Abdulkadir . . . . . . . . . . . . . . . . . . . . . . . . . 02HHYNDMAN, Cody . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10GIBRAHIM, Joseph . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .07CIVANOFF, B. Gail . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04HIVANOFF, Gail . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10GJAMES, Mike . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07BJANGA, Sarath . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 06CJANKOWSKI, Hanna . . . . . . . . . . . . . . . . . . . . . . . . . . . 10GJENNISON, Christopher . . . . . . . . . . . . . . . . . . . . . . . . 03BJIANG, Depeng . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 0JIANG, Tiefeng . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04EJIANG, Zhichang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 0JIN, Zi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02G, 10EJOCELYN, Wisner . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07IJOHNSON, Edward . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04BJONES, Bruce . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07GJONSEN, Ian . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07BJORDAN, Adriana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10GJØRGENSEN, Bent . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 08EKACZOROWSKI, Janusz . . . . . . . . . . . . . . . . . . . . . . . . 07HKALBFLEISCH, Jack . . . . . . . . . . . . . . . . . . . . . . . . . . . . 08EKALLENBERG, Wilbert C.M. . . . . . . . . . . . . . . . . . . . . 10BKANG, Sohee . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .04FKARUNANAYAKE, Chandima . . . . . . . . . . . . . . . . . . . . 09CKENNEDY, Marc . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 03DKERMAN, Ron . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04EKHAN, Abdul . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 06FKHAN, Shahedul Ahsan . . . . . . . . . . . . . . . . . . . . . . . 02FKHAN, Shahjahan . . . . . . . . . . . . . . . . . . . . . . . 07G, 12EKHAN, Sohail . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07HKIBRIA, B. M. Golam . . . . . . . . . . . . . . . . . . . . . . . . . 02GKIM, Hyang Mi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12GKIM, Peter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12DKING, Maxwell . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02HKLOTZ, Laurence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 06GKONG, Linglong . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10EKORU-SENGUL, Tulay . . . . . . . . . . . . . . . . . . . . . . . . . 06BKOULIS, Theodoro . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02DKOVACEVIC, Milorad . . . . . . . . . . . . . . . . . . . . . 06A, 12BKULIK, Rafal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07DKULPERGER, Reg . . . . . . . . . . . . . . . . . . . . . . . . .02G, 10FKUSTRA, Rafal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10HLACOURSE, Eric . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12BLAKHAL-CHAIEB, Lajmi . . . . . . . . . . . . . . . . . . . . . . . 07HLANDRIAULT, David . . . . . . . . . . . . . . . . . . . . . . . . . . . 11BLAROCQUE, Denis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 06FLARSEN, Michael . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04ALAVALLÉE, Pierre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 06ALAWLESS, Jerry . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .02ALAZAR, Emese . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10FLEE, Chu-In . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 06FLEE, Herbert K. H. . . . . . . . . . . . . . . . . . . . . . . . . . . . 02DLEITH, Chris . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 09BLI, Longhai . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10ELI, Pengfei . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12ELI, Song . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10ELI, Wang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10ELIANG, Yuanyuan . . . . . . . . . . . . . . . . . . . . . . . . .02I, 10ELIN, Chunfang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02HLIN, Chunfang (Devon) . . . . . . . . . . . . . . . . . . . . . . . 06ALIN, X. Sheldon . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .12CLIN, Xihong . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02ALINKLETTER, Crystal . . . . . . . . . . . . . . . . . . . . . . . . . . 02HLITTNAN, Charles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 09BLIU, Lin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 06FLIX, Lisa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02ILOAIZA, Edilberto . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10CLOBLAW, Andrew . . . . . . . . . . . . . . . . . . . . . . . . . . . . 06GLOCKHART, Richard . . . . . . . . . . . . . . . . . . . . . . . . . . .02HLOEPPKY, Jason . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 03DLOMAS, Mark . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 03DLORENZI, Maria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12GLOTHIAN, Jack . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12HLOUGHIN, Tom . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02HLU, Wilson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02HLU, Xuewen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04GLUNDY, Margaret E. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 0MA, Tianshu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02FMA, Zhi- Ming . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 08CMACDONALD, Peter . . . . . . . . . . . . . . . . . . . . . . . . . . . . 08FMACH, Lenka . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07IMADDALENA, Kristen . . . . . . . . . . . . . . . . . . . . . . . . . . 10EMANTEL, Harold . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 08HMARCEL, Yves . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 0MARTSYNYUK, Yuliya . . . . . . . . . . . . . . . . . . . . . . . . . 10GMASON, David . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07DMASON, David M. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07DMATTHEWS, E. David . . . . . . . . . . . . . . . . . . . . . . . . . 06BMCALPINE, Rob . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04BMCBRIDE, Mary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .06GMCCANDLESS, Lawrence . . . . . . . . . . . . . . . . . . . . . . 12GMCCARTHY, Lisa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07HMCCULLOCH, Charles . . . . . . . . . . . . . . . . . . . . . . . . . 04C

Author Index (per session) • Index des auteurs (par session) 187MCDONALD, David . . . . . . . . . . . . . . . . . . . . . . . . . . . .06EMCDUFFIE, Helen . . . . . . . . . . . . . . . . . . . . . . . . . . . . 09CMCLEOD, Ian . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10F, 10HMCLEOD, Rob . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12AMCRAE, Kenneth . . . . . . . . . . . . . . . . . . . . . . . . . . . . .06GMELNIKOV, Alexander . . . . . . . . . . . . . . . . . . . . . . . . 08CMIAO, Weiwen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 0MICHAILIDIS, George . . . . . . . . . . . . . . . . . . . . . . . . . . 12AMIHRAM, Danielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04HMIHRAM, G. Arthur . . . . . . . . . . . . . . . . . . . . . . . . . . .04HMILLER, Naomi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 08BMOLENBERGHS, Geert . . . . . . . . . . . . . . . . . . . . . . . . . 09CMOLNAR, Danielle Sirriani . . . . . . . . . . . . . . . . . . . . 07HMORALES, Manuel . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12CMORENO-HAGELSIEB, Gabriel . . . . . . . . . . . . . . . . . . . 06CMOSESOVA, Sofia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .04FMOSHONOV, Hadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04FMUDRYK, Walter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 08HMULAYATH VARIYATH, Asokan . . . . . . . . . . . . . . . . . . .10FMURDOCH, Duncan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 0MURRAY, Scott . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10CMYERS, Ransom . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07BNAGY, Bela . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 03DNATHOO, Farouk . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .04BNEAL, Radford . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 08ANEATON, James . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .03BNEUHAUS, John . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .04CNEVALAINEN, Jaakko . . . . . . . . . . . . . . . . . . . . . . . . . . 06FNEWCOMBE, Pat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 08HNEWLANDS, Nathaniel . . . . . . . . . . . . . . . . . . . . . . . . .02GNG, Peggy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02FNKURUNZIZA, Severien . . . . . . . . . . . . . . . . . . . . . . . . 12GO’BRIEN, Susan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07HO’HAGAN, Anthony . . . . . . . . . . . . . . . . . . . . . . . . . . 03DOJA, Hannu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 06FO’ROURKE, Keith . . . . . . . . . . . . . . . . . . . . . . . . . . . . 06DOUALKACHA, Karim . . . . . . . . . . . . . . . . . . . . . . . . . . . 12EOULD HAYE, Mohamedou . . . . . . . . . . . . . . . . . . . . . .10FPAHWA, Punam . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 09CPARK, Do-Hwan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07FPARKER, Peter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12APATERSON, Andrew . . . . . . . . . . . . . . . . . . . . . . . . . . . 07CPATRANGENARU, Victor . . . . . . . . . . . . . . . . . . . . . . . . 12DPELLETIER, Éric . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07IPENG, Jianan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 06FPENG, Yingwei . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .04GPEPLER, Debra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 0PERCACCIO, Anthony . . . . . . . . . . . . . . . . . . . . . . . . . . 04DPETERSON, Ivars . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 01BPHIPPS, Sean . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07FPICKA, Jeffrey . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12EPLANTE, Jean-François . . . . . . . . . . . . . . . . . . . . . . . . 04HPLATT, H.W. (Bud) . . . . . . . . . . . . . . . . . . . . . . . . . . . 06GPODDER, Mohua . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .08GPOND, Gregory . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02IPONG, Hoki . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .08GPOULIN, Jennifer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12FPOWLES, A.C. Peter . . . . . . . . . . . . . . . . . . . . . . . . . . 07HPRITCHARD, Zachary . . . . . . . . . . . . . . . . . . . . . . . . . . . 07IPROUTIÈRE, Alexandre . . . . . . . . . . . . . . . . . . . . . . . . 06EPROVOST, Serge . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .06FPU, Qiang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02FPULLENAYEGUM, Eleanor . . . . . . . . . . . . . . . . . . . . . . . .02IPUNTANEN, Simo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 08DPURSEY, Stuart . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07IQIAN, Jin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 08BQIAO, Wenjie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02FQIU, Chao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10IQU, Pingping . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07CRABE-HESKETH, Sophia . . . . . . . . . . . . . . . . . . . . . . . 12BRAFFA, Jesse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02FRAHEEM, Enayetur . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02FRAI, Shesh N. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07FRAMASWAMI, Vaidyanathan . . . . . . . . . . . . . . . . . . . . 11BRAMSAY, James O. . . . . . . . . . . . . . . . . . . . . . . . 04F, 08GRANJAN, Pritam . . . . . . . . . . . . . . . . . . . . . . . . . 02H, 12ARAO, J.N.K. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07G, 09CREESE, Shane . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 03DREESOR, Mark . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02DREMPEL, Eddy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12HREN, Qunshu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 09CRIVEST, Louis-Paul . . . . . . . . . . . . . . . . . . . . . . 07H, 12EROBERTS, Georgia . . . . . . . . . . . . . . . . . . . . . . . . . . . . 09CROMANIUK, Yulia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 08CROSA, Guilherme . . . . . . . . . . . . . . . . . . . . . . . . . . . . .08BROSALSKY, Andrew . . . . . . . . . . . . . . . . . . . . . . . . . . . 04EROWEIS, Sam . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 08AROY, Roch . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12FROY, Valérie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 06HRUBIN-BLEUER, Susana . . . . . . . . . . . . . . . . . . . . . . . . 09CRUDMIN, Floyd . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12HSAGR, Anwar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12ESAHA, Krishna . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02HSAIDI, Abdelnasser . . . . . . . . . . . . . . . . . . . . . . . . . . . 09C

188 Author Index (per session) • Index des auteurs (par session)SAIDI, Abdessamad . . . . . . . . . . . . . . . . . . . . . . . . . . . 12FSALEH, A K Md Ehsanes . . . . . . . . . . . . . . . . . . . . . . 07GSALEH, A. K. Md. E. . . . . . . . . . . . . . . . . . . . . . . . . . . 10FSAWKA, Anna . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 06DSCHAUBEL, Douglas . . . . . . . . . . . . . . . . . . . . . . . . . . . 08ESCHMULAND, Byron . . . . . . . . . . . . . . . . . . . . . . . . . . . 06ESENDOVA, Kristina . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12CSERBAN, Daniel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 03CSHELLEY, Bull . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10HSHEN, Hui . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 08FSHRIER, Ian . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12GSIMPSON, William . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02GSINGH, Gurbakhshash . . . . . . . . . . . . . . . . . . . . . . . . .06GSITTER, Randy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 06ASIU, Lillian . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .02ISKRONDAL, Anders . . . . . . . . . . . . . . . . . . . . . . . . . . . 12BSMIEJA, Marek . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 06GSMITH, Bruce . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 09BSMITH, Stephen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07BSONG, Peter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 08ESONG, Yunna . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02FSPEED, Terence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 0SREBOTNJAK, Tanja . . . . . . . . . . . . . . . . . . . . . . . . . . . .02ESRIVASTAVA, Deo Kumar . . . . . . . . . . . . . . . . . . . . . . . 07FSTALLARD, Jim . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07ESTANFORD, David . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11BSTEELE, Russell . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12GSTEWART, Brent . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 09BSTROHSCHEIN, Lisa . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02CSTUKEL, Diane . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 09CSTUKEL, Thérèse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04CSTYAN, George . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 08DSU, Wanhua . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04FSUGATHADASA, Samanmalee . . . . . . . . . . . . . . . . . . . 12DSUN, Jack . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 06GSUN, Jianguo (Tony) . . . . . . . . . . . . . . . . . . . . . . . . . . 07FSUN, Jie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04GSUN, Lei . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07C, 10HSUN, Liuquan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07FSUN, Rena (Jie) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10ESUN, Shuying . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .08ASUN, Tao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02FSUN, Wei . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 08CSUN, Ye . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 06FSUTCLIFFE, Paul . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 0SZYSZKOWICZ, Barbara . . . . . . . . . . . . . . . . . . . . . . . . 03CTAKAHARA, Glen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 09BTARDIF, Charles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07ITAYLOR, Jeremy . . . . . . . . . . . . . . . . . . . . . . . . . 02A, 04GTAYLOR, Jonathan . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02BTEKPETEY, Francis . . . . . . . . . . . . . . . . . . . . . . . . . . . 08GTHABANE, Lehana . . . . . . . . . . . . . . . . . . 06G, 07H, 12HTHÉBERGE, François . . . . . . . . . . . . . . . . . . . . . . . . . . 10DTHOMPSON, Mary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 0TITHECOTT, Al . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .04BTOLUSSO, David . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 08GTONG, Xingwei . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .07FTORABI, Mahmoud . . . . . . . . . . . . . . . . . . . . . . . . . . . 07GTSAI, Yu-Ling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 0TU, Dongsheng . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07HVANDAL, Nathalie . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04HVAN DEN HEUVEL, Marianne . . . . . . . . . . . . . . . . . . . . 08GVAN HOREBEEK, Johan . . . . . . . . . . . . . . . . . . . . . . . . .08FVICTORIA-FESER, Maria-Pia . . . . . . . . . . . . . . . . . . . . 07GVIERTL, Reinhard . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10DVINING, Geoff . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .07AVOLODIN, Andrei . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04EWANG, Mengzhe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10EWANG, Miao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07HWANG, Qiying . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 03CWANG, Weiling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10IWANG, Xikui . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02IWANG, Xu Sunny . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02HWANG, Zilin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 0WATIER, François . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10GWELCH, William J. . . . . . . . . . . . . .02H, 03D, 08F, 08GWELLNER, Jon . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .04CWHITEHEAD, Tyson . . . . . . . . . . . . . . . . . . . . . . . . . . . 02DWHITLOCK, Richard . . . . . . . . . . . . . . . . . . . . . . . . . . 06GWIENS, Douglas P. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 08FWILLAN, Andrew . . . . . . . . . . . . . . . . . . . . . . . . .02I, 06DWILLIAMS, Kathryn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .0WILLMOT, Gordon . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12CWONG, Augustine . . . . . . . . . . . . . . . . . . . . . . . . . . . . 06FWOODWARD, Ian . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 03DWOOLFORD, Douglas . . . . . . . . . . . . . . . . . . . . . 02G, 11BWORSLEY, Keith . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .02BWU, Changbao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 06AWU, LongYang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10HWU, Longyang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10HXIE, Hansheng . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 08HXU, Liqin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 06GXU, Xiaojian . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 06AYAN, Mi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07H

Author Index (per session) • Index des auteurs (par session) 189YASUI, Yutaka . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12GYE, Wen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02AYE, Yining . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 08EYI, Grace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02AYI, Y. Yi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 06BYI, Yanqing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02IYIN, Yaling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10EYING, Shih-Wa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 06GYOUNG, S. Stanley . . . . . . . . . . . . . . . . . . . . . . . . . . . 08GYOUNGSON, Erik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10EYU, Binbing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .04GYUAN, Fei . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02FYUAN, Xiaobin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04HYUAN, Yan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 08BZAGDANSKI, Adam . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10HZAIHRA, Tasneem . . . . . . . . . . . . . . . . . . . . . . . . . . . . .10EZAMAR, Ruben H. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 08GZAMFIRESCU, Ingrid-Mona . . . . . . . . . . . . . . . . . . . . . 10GZAREPOUR, Mahmoud . . . . . . . . . . . . . . . . . . . . . . . . . 04FZEESHAN, Zeeshan . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07IZHANG, Jin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .02FZHANG, Lijun . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 07FZHANG, Lingyun . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10BZHANG, Liying . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 06GZHANG, Ying . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10FZHANG, Yu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 08FZHAO, Yang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02IZHENG, Cynthia (Xin) . . . . . . . . . . . . . . . . . . . . . . . . .10EZHENG, Zheng . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02GZHOU, Lutong . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 0ZHOU, Michelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 02FZHOU, Qian . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 08E, 08GZHU, Mu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04F, 08GZHU, Qiaohao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .10EZHU, Yongtao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 0ZIDEK, James V. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 04H