Programme et résumés (pdf) - Société statistique du Canada

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