Programme et résumés (pdf) - Société statistique du Canada

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