Programme et résumés (pdf) - Société statistique du Canada

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