Programme et rÃ©sumÃ©s (pdf) - SociÃ©tÃ© statistique du Canada

More documents

Recommendations

Info

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
Page 1 and 2:
3Table of Contents • Table des ma
Page 3 and 4:
Welcome • Bienvenue 5détails sur
Page 5 and 6:
7Organizers • OrganisateursLocal
Page 7 and 8:
General Information • Information
Page 9 and 10:
General Information • Information
Page 12 and 13:
14 Committees and Meetings • Comi
Page 14 and 15: 16 Committees and Meetings • Comi
Page 16 and 17: 18 List of Sessions • Liste des s
Page 22 and 23: 24 Dimanche 28 mai • Sunday, May
Page 24 and 25: 26 Lundi 29 mai • Monday, May 29,
Page 35 and 36: Mardi 30 mai • Tuesday, May 30, 1
Page 49 and 50: Mercredi 31 mai • Wednesday, May
Page 59 and 60: 61Abstracts • RésumésSession 0
Page 61 and 62: Dimanche 28 mai • Sunday, May 28,
Page 63: Lundi 29 mai • Monday, May 29, 08
Page 67 and 68: Lundi 29 mai • Monday, May 29, 10
Page 115 and 116:
Mardi 30 mai • Tuesday, May 30, 1
Page 117 and 118:
Page 119 and 120:
Page 121 and 122:
Page 123 and 124:
Page 125 and 126:
Page 127 and 128:
Page 129 and 130:
Page 131 and 132:
Page 133 and 134:
Page 135 and 136:
Page 137 and 138:
Page 139 and 140:
Page 141 and 142:
Page 143 and 144:
Mercredi 31 mai • Wednesday, May
Page 145 and 146:
Page 147 and 148:
Page 149 and 150:
Page 151 and 152:
Page 153 and 154:
Page 155 and 156:
Page 157 and 158:
Page 159 and 160:
Page 161 and 162:
Page 163 and 164:
Page 165 and 166:
Page 167 and 168:
Page 169 and 170:
Page 171 and 172:
Page 173 and 174:
Page 175 and 176:
Page 177 and 178:
179Author Index • Index des auteu
Page 179 and 180:
Author Index • Index des auteurs
Page 181 and 182:
Author Index • Index des auteurs
Page 183 and 184:
Author Index (per session) • Inde
Page 185 and 186:
Page 187:
show all

Programme et rÃ©sumÃ©s (pdf) - SociÃ©tÃ© statistique du Canada

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?