Veuillez choisir le dossier dans lequel vous souhaitez ajouter ce contenu :
Filtrer les résultats
Colloque
Le problème de la sélection de variables en RLM consiste à extraire une sous-matrice Z de la matrice X du modèle traditionnel Y=Xβ+ε de façon à expliquer raisonnablement les données. Nous présenterons un algorithme de sélection de variables de type "Forward" basé sur l'optimisation du coefficient de corrélation vectoriel: L R(Y,Xβ) où β est une solution des équations normales. Nous examinerons en dernier lieu l'adaptation de cet algorithme à des problèmes de grande taille et la stabilité numérique de la procédure suggérée.
Colloque
La vérification d'une hypothèse linéaire générale en analyse de données multidimensionnelles s'effectue présentement essentiellement à l'aide des critères proposés par Wilk, Pillai, Hoteling, Roy et du critère de vraisemblance maximale. Nous proposons dans cet exposé un nouveau critère basé sur la somme des carrés des valeurs propres de la matrice A(A+B)−1 où A et B sont statistiquement indépendantes et suivent respectivement des lois W(n1,S) et W(n2,S). Nous résumerons brièvement les principaux travaux effectués sur ce critère : calcul des valeurs critiques de la distribution, fabrication d'algorithmes de régression de type sélection et stepwise, inférence sur les variables discriminantes en AD …
Colloque
Un nouveau critère dans le test d'une hypothèse linéaire générale en analyse multivariée est suggéré. Celui-ci fait appel à la somme des ré-s des valeurs propres de la matrice A(A+3)-1 où A et B sont respectivement distribuées selon des lois W(n1,S) et W(n2,S). Après avoir développé une théorie d'évaluation de la transformée de Laplace de ce critère, basée sur l'utilisation de déterminants intégrales, nous examinerons les applications pratiques de cette théorie à d'autres problèmes d'analyse multivariée. Une importante partie de la discussion sera réservée à l'implémentation pratique de cette théorie à l'ordinateur: réduction des déterminants intégrales, calcul des origines des …
