Programme et résumés (pdf) - Société statistique du Canada

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