Saturday Samedi May 25 Mai 2019 - Seventh Canadian Statistics Student Conference Septi eme Congr es Canadien des Etudiants en Statistique
←
→
Page content transcription
If your browser does not render page correctly, please read the page content below
Seventh Canadian Statistics Student Conference
•
Septième Congrès Canadien des Étudiants en
Statistique
University of Calgary, Alberta
Saturday • Samedi
May 25 • Mai 2019
HRIC Atrium
P10 TRW
HRIC
HMRB P6
PP MT HSC
P7
FMC P8
WHC
P4 NT
P8a
SSB P1
ST
Public P1, P3, P4, P6, P8a, P10 (underground)
P3
Staff P7, P8, TRW (underground)
ST SOUTH TOWER
T
SSB SPECIAL SERVICES BUILDING
B TBCC TOM BAKER CANCER CENTRE
C FMC FOOTHILLS MEDICAL CENTRE
NT NORTH TOWER
WHC WOMEN’S HEALTH CENTRE
HSC HEALTH SCIENCES CENTRE
HMRB HERITAGE MEDICAL RESEARCH BUILDING
HRIC HEALTH RESEARCH INNOVATION CENTRE
TRW TEACHING RESEARCH & WELLNESS
MT MCCAIG TOWER
PP PHYSICAL PLANT
FOOTHILLS CAMPUS MAP
Windows
Elevator“h" Foothills
Hospital
1508 1506 1504
1509A 1509 1503
O’Brien Centre
1402 1403 1404
Corridor 14022 1501
Elev ator
1408X
Bioinformatics Lab
Serv ice
Shaft
1450V
1405B 1405A
1500
Health Sciences Library
Serv ice
Shaft
1452V
Theatre 4
Service
Stairs to
Serv ice
Shaft O’Brien Centre, (1st/2nd floors),
1454V
Theatres 3 & 4, Room 1405B
Main Level
Serv ice
Shaft
1456V
To HRIC & Theatre 3
Theatre
4
Serv ice
Shaft
1460V
Serv ice
Shaft
1462V
4
Health Sciences Library
4 Theatre 3
4
Serv ice
Shaft
1484V
1464A
1462B
146 4B
Serv ice
Shaft
1479V
1st Floor
Contents • Table des matières
Welcome • Bienvenue . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
Sponsors • Commanditaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
Organizers and volunteers • Organisateurs et bénévoles . . . . . . . . . . . . . . . . . . . . 10
Program Overview . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
Aperçu du programme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
Keynote address • Discours d’honneur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
Statistical Computing Workshop • Atelier en Calculs Statistiques . . . . . . . . . . . . . . 15
Machine Learning applications in R
Applications de l’apprentissage machine en R . . . . . . . . . . . . . . . . . . . . . . 16
Invited career speakers • Conférenciers invités à la séance sur les carrières . . . . . . . . . 17
Posters • Affiches . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
Oral presentations •Présentations orales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
Scientific abstracts: Oral presentations • Résumés scientifiques: présentations orales . . . . 22
Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
Robust estimators • Estimateurs robustes . . . . . . . . . . . . . . . . . . . . . . . . 25
Causal inference • Inférence causale . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
Model selection • Sélection de modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
Bayesian statistics • Statistique Bayesienne . . . . . . . . . . . . . . . . . . . . . . . . 34
Biostatistics • Biostatistique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
Scientific abstracts: Posters • Résumés scientifiques: Posters . . . . . . . . . . . . . . . . . 40
3
Welcome • Bienvenue
We are pleased to have you at the Canadian Nous sommes heureux de vous compter parmi
Statistics Student Conference! nous au Congrès canadien des étudiants en
Our main goal is to offer a space for students statistique (CCÉS)! Nous visons principale-
and recent graduates to network, learn, and ment à offrir aux étudiants et aux nou-
participate in multiple activities that can help veaux diplômés un espace leur permettant
them consolidate the direction of their pro- de réseauter, d’apprendre, et de participer
fessional path. The CSSC provides a low- à de multiples activités susceptibles de les
stress environment for sharing ideas, devel- aider à consolider l’orientation de leur par-
oping skills and holding discussions with oth- cours professionnel. Le CCÉS offre un envi-
ers about research, while learning about ca- ronnement sans stress pour partager des idées,
reer opportunities. What is best, a wide développer des compétences et discuter de
range of statistical interests are represented, recherche avec des pairs, tout en en apprenant
such as biostatistics, industrial statistics; big davantage sur les possibilités de carrière. Qui
data analysis; probability theory, Bayesian mieux est, un large éventail d’intérêts statis-
approaches, and more. tiques sont représentés, tels que la biostatis-
This year’s event will put the spotlight on tique, la statistique industrielle, l’analyse de
Machine Learning and Big Data, with a talk données volumineuses, la théorie des proba-
about machine learning applications in R and bilités, les approches bayésiennes et plus en-
an interactive workshop opposing machine core. L’événement de cette année mettra en
learning and logistic regression for big data. lumière l’apprentissage machine et les données
Attendees are encouraged to bring their lap- volumineuses, grâce à une présentation sur les
tops to the workshop. The program also in- applications d’apprentissage machine en R et
cludes a session with representatives from dif- à un atelier interactif opposant l’apprentissage
ferent areas of the statistics workforce, aim- automatique et la régression logistique pour
ing to provide career advice to graduates and les données volumineuses. Nous encourageons
recent graduates; as well as multiple sessions les participants à apporter leur ordinateur
dedicated to showcase students’ research work portable à l’atelier. Le programme inclut
through talk and poster presentations. également une session avec des représentants
Finally, the keynote speaker, Dr. Char- de différents secteurs de la statistique, dans
maine Dean from the University of Water- le but de fournir des conseils de carrière aux
loo, will talk about Interdisciplinary work and diplômés et aux nouveaux diplômés. Il com-
being successful as a leader in the field of porte aussi plusieurs sessions qui mettront en
statistics. valeur le travail de recherche des étudiants,
par l’intermédiaire de présentations orales et
par affiche.
4
Sponsors • Commanditaires
Special thanks to all our sponsors who have Nous tenons à remercier chacun de nos com-
provided generous support for the various manditaires pour leur généreuse contribu-
activities of the Canadian Statistics Student tion au Congrès Canadien des Étudiants en
Conference. These contributions have made Statistique. C’est grâce à eux que la tenue
this event possible. de ce congrès est possible.
Gold Sponsors • Commanditaires Or
https://math.ucalgary.ca
5
Gold Sponsors • Commanditaires Or
6
Gold Sponsors • Commanditaires Or
Silver Sponsors • Commanditaires Argent
7
Silver Sponsors • Commanditaires Argent
8
Silver Sponsors • Commanditaires Argent
Bronze Sponsors • Commanditaires Bronze
9Organizers and volunteers • Organisateurs et bénévoles
Organizing committee • Comité organisateur
Co-chairs / Co-présidentes:
Ms. Anita Brobbey (University of Calagary)
Ms. Myrtha Reyna (University of Toronto)
Local arrangements / organisation locale:
Ms. Fahmida Yeasmin (University of Calgary)
Mr. Charles Sam (University of Calgary)
Fundraising / Collecte de fonds:
Mr. Thai-Son Tang (University of Toronto)
Ms. Melissa Van Bussel (Trent University)
Ms. Lin Ling (University of Toronto)
Translation / Traduction:
Mr. Luc Villandre (McGill University)
Mr. Steve Ferreira (McGill University)
Ms. Marie-Christine Robitaille Grou (Université de Montréal)
Skills session / Séance sur les compétences techniques:
Mr. Olawale Fatai Ayilara (University of Manitoba)
Mr. Jacob Prosser (University of New Brunswick)
Carrer session / Séance sur les carrières:
Ms. Afaf Alzahrani (Dalhousie University)
Mr. Sudipta Saha (University of Toronto)
Scientific Program / Programme scientifique:
Ms. Michela Panarella (Univeristy of Toronto)
Ms. Victoire Michal (Université de Montréal)
10Support and thanks • Support et remerciements
SSC President / Président de la SSC: Robert Platt
SSC Administrative assistant / Adjoint Administrative de la SSC: Miaclaire Woodland
SSC Executive assistant / Assistant exécutif de la SSC:: Michelle Benoit
SSC Treasurer / Trésorier de la SSC: Edward Chen
SSC Local organizers / Organisateurs locaux: Karen Kopciuk, Alexander de Leon
SSC meetings coordinator / Coordonnateur des congrès: Changbao Wu
Photographer / Photographe: Peter Macdonald
Volunteers / Bénévoles: Shakiru Alaka, Sarath Kumar Jayaraman, Mohammed Mujaab
Kamso, Mili Roy, Oluwaseyi Adetutu Lawal, and Ayoola Ademola.
Judges / Juges: Special thanks to the judges involved in the assessment of abstracts, talks
and poster presentations.
11Program Overview
Date and times: Saturday, May 25th, from 07:30 to 20:30.
Location: Health Science Centre. Cumming School of Medicine, University of Calgary.
Time Session Room Page
Registration
07:30-08:30 HRIC atrium
Breakfast
08:30-08:45 Presidential address Theatre 4
Student research talks I
Applications Theatre 4 22
08:50-09:35
Robust estimators O1500 25
Causal inference 1405B 28
Student research talks II
Biostatistics Theatre 4 31
09:40-10:25
Bayesian statistics O1500 34
Model selection 1405B 37
10:25-10:45 Coffee break HRIC atrium
Skills session
10:45-11:55 Theatre 4 16
Machine Learning applications in R
11:55-12:10 Sponsor Talk Theatre 4
Lunch
12:10-13:20 HRIC atrium
Poster session (starts at 12:40) 40
Workshop
13:20-14:45 Theatre 4 15
Exploring Machine Learning Classification Methods Using R
14:45-15:00 Coffee break HRIC atrium
15:00-16:00 Career panel Theatre 4 17
Keynote speech
16:00-17:15 Interdisciplinary Work and being successful as a leader Theatre 4 14
in this arena
17:15-18:00 Closing and awards Theatre 4
18:00-21:00 Social Evening
Social evening
A limited quantity of food and beverages will be available at no additional cost.
Address & time • Adresse & heure:
The Den 18:00 hrs. MacEwan Student Centre, 2500 University Drive NW, Calgary, AB.
(http://den.su.ucalgary.ca)
12Aperçu du programme
Date et plage horaire: Samedi 25 mai de 07h30 à 20h30.
Lieu: Health Science Centre. Cumming School of Medicine, Université de Calgary.
Heure Séance Salle Page
Inscription
07:30-08:30 HRIC atrium
Petit-déjeuner
08:30-08:45 Adresse présidentielle Theatre 4
Présentations orales étudiantes I
Applications Theatre 4 22
08:50-09:35
Estimateurs robustes O1500 25
Inférence causale 1405B 28
Présentations orales étudiantes II
Sélection de modèle Theatre 4 31
09:40-10:25
Statistique bayesienne O1500 34
Biostatistique 1405B 37
10:25-10:45 Pause-café HRIC atrium
Session de formation
10:45-11:55 Theatre 4 16
Applications en R de l’apprentissage machine
11:55-12:10 Présentation du sponsor Theatre 4
Lunch
12:10-13:20 HRIC atrium
Séance d’affiches (débute à 12:40) 40
Atelier statistique
13:20-14:45 Exploration de méthodes de classifications en apprentissage Theatre 4 15
machine sur R
14:45-15:00 Pause-café HRIC atrium
15:00-16:00 Table ronde des carrières Theatre 4 17
Présentation d’honneur
16:00-17:15 Travail interdisciplinaire et réussir en tant que leader Theatre 4 14
dans cette aréna
17:15-18:00 Clôture et remise des prix Theatre 4
18:00-21:00 Soirée
Soirée
Une quantité limitée de nourriture et de boissons sera disponible sans frais supplémentaires.
Adresse & heure:
The Den 18:00 hrs. MacEwan Student Centre, 2500 University Drive NW, Calgary, AB.
(http://den.su.ucalgary.ca)
13Keynote address • Discours d’honneur
Charmaine Dean est vice-présidente - Recherche et
Charmaine Dean is Vice-
International à l’Université de Waterloo. Dans le
President, Research and In-
cadre de ses fonctions, Dre Dean vise à encour-
ternational at the University
ager les collaborations, et à agir comme liaison en-
of Waterloo. Her focus is on
tre portfolios externes, partenaires industriels et en-
building upon foundational
trepreneurs. Les travaux de Charmaine Dean dans
strengths to heighten the em-
le domaine de l’analyse spatiotemporelle appliquée à
phasis on collaborations, and
la santé et à la foresterie lui ont valu plusieurs prix.
link related external portfo-
En 2003, Dre Dean s’est vue décerner le prix CRM-
lios in a systematic approach
SSC en statistique, en reconnaissance d’une contribu-
to industrial partners and en-
tion substantielle à la discipline au cours des quinze
trepreneurship. Dr. Dean’s
années suivant l’obtention du doctorat. En 2007,
work in space-time analytics
elle a remporté le ”Mathematics Alumni Achieve-
for health and forestry has
ment Medal” de l’Université de Waterloo. En 2010,
been recognized widely: in
elle a été nommée Fellow de l’Association américaine
2003, she was awarded the CRM-SSC prize; in 2007
pour l’avancement des sciences. En 2012, elle a été
named Fellow of the American Statistical Associa-
lauréate du ”Trinidad & Tobago High Commission
tion and awarded the University of Waterloo Math-
Award”. Enfin, en 2016, elle a été élue membre du
ematics Alumni Achievement Medal; in 2010 named
International Statistical Institute.
Fellow of the American Association for the Advance-
ment of Science; in 2012 awarded a Trinidad & To- Résumé scientifique
bago Canadian High Commission Award; and in
2016 elected to the International Statistical Institute. Résoudre les problèmes sociétaux auxquels nous
Abstract sommes confrontés, du développement durable aux
Solving many complex societal problems facing the changements climatiques, de la compréhension des
world, from sustainable development to climate catastrophes naturelles à celle des problèmes de
change to understanding natural disasters and global santé mondiale, requiert souvent une approche in-
health problems, often involves an interdisciplinary terdisciplinaire. Les statisticiens jouent un rôle cru-
approach. Statisticians have an important role to cial dans l’élaboration de solutions, en raison de
play in contributing to solutions because of our leur prééminence dans le développement d’outils
leadership in developing tools for evidence-based pour la prise de décisions basée sur des données
decision-making. Additionally, we are well poised probantes. Le développement de nouveaux outils
to pull together interdisciplinary teams because gen- statistiques pour résoudre un problème scientifique
erally our work is interdisciplinary in nature. For nécessite notamment une compréhension de la sci-
example, developing new statistical tools to solve a ence au coeur du problème. La recherche interdisci-
scientific problem requires that we understand the plinaire a souvent des répercussions sociétales con-
science surrounding the problem. Interdisciplinary sidérables. Elle est également très bénéfique aux
research is often of high societal impact and gives re- chercheurs eux-mêmes, qui se voient exposés à une
searchers valuable exposure to a diversity of research variété de concepts, d’outils et de méthodologies al-
concepts, tools and methodologies beyond their own lant bien au-delà de leur propre discipline. Quels
discipline. What are the key ingredients for creat- sont les ingrédients indispensables pour créer un
ing a successful, innovative and productive interdis- environnement interdisciplinaire novateur, productif
ciplinary environment? What qualities make for suc- et propice au succès? Quelles qualités assurent la
cess in this environment and what challenges may réussite dans cet environnement et quels défis peu-
hinder success? What are the skills that a leader of vent mener à l’échec? Quelles sont les aptitudes dont
a multi-disciplinary team needs? What makes inter- a besoin le dirigeant d’une équipe multidisciplinaire?
disciplinary work fun and exciting? How can you be Qu’est-ce qui rend le travail interdisciplinaire amu-
a confident contributor around an interdisciplinary sant et excitant? Comment peut-on bien contribuer
table of experts? This talk considers these questions, aux travaux d’un comité interdisciplinaire d’experts?
providing examples to illustrate best practices in col- Cette présentation aborde ces questions, et fournit
laborative training and research environments. des exemples illustrant les meilleures pratiques dans
des environnements de formation coopérative et de
14 recherche.Statistical Computing Workshop • Atelier en Calculs
Statistiques
Brendan Cord Brendan Cord Lethebe est un chercheur
Lethebe is an expe- aguerri à l’Université de Calgary. Il
rienced researcher est également le responsable des méthodes
in University of Cal- et des analyses au sein de l’unité de
gary. He is also the recherche clinique au Cumming School of
methods/analytics Medicine de l’Université de Calgary. Il
lead of the clinical détient un baccalauréat en science actuar-
research unit at the ielle ainsi qu’une maı̂trise en biostatistique.
Cumming School of Il se concentre surtout sur la biostatistique,
Medicine at University of Calgary. He holds mais il est également doué en modélisation
a Bachelor in Actuarial Science (University mathématique, R, SQL, Python et STATA.
of Calgary) and a Masters in Biostatistics
(University of Calgary). He is mostly Résumé scientifique
focused in Biostatistics and is skilled in La capacité d’ajuster adéquatement des
Mathematical Modelling, Biostatistics, R, modèles d’apprentissage machine est de plus
SQL, Python, STATA and Clinical Research. en plus importante pour les statisticiens.
À l’aide d’un jeu de données public, nous
Abstract nous concentrerons sur un modèle de clas-
Being able to properly fit machine learning sification supervisée et sur des techniques
models is becoming an important skill for optimales pour la sélection de paramètres.
those in the statistical community. Using a Par l’intermédiaire de librairies R com-
publicly available dataset we will focus on munes, nous aborderons la régression lo-
supervised classification models, and tech- gistique LASSO, les forêts aléatoires, les
niques for optimal parameter selection. We réseaux de neurones, ainsi que de multi-
will explore the LASSO logistic regression, ples algorithmes pour les arbres de décision.
various decision tree algorithms, random for- Ceci nous permettra de bien distinguer les
est, and neural net using popular R pack- avantages et les inconvénients d’utiliser un
ages. This will allow us to clearly see the modèle interprétable plutôt que des algo-
advantages and disadvantages of using inter- rithmes ”boı̂te noire”.
pretable models vs “black-box” algorithms.
15Machine Learning applications in R
Applications de l’apprentissage machine en R
Prof. Tom Loughlin est directeur du
Tom Loughin is a
département de statistique et de science ac-
professor and chair
tuarielle à l’Université Simon Fraser (SFU) à
of the Department
Burnaby, Colombie-Britannique. Il a obtenu
of Statistics and
son doctorat en statistique de la Iowa State
Actuarial Science at
University et a passé treize ans à Kansas
Simon Fraser Uni-
State University avant de rejoindre SFU en
versity in Burnaby,
2006. Ses intérêts de recherche recoupent
British Columbia,
plusieurs champs d’applications statistiques
Canada. He got
et de développement méthodologique. Il
his PhD in Statis-
s’est penché notamment sur l’apprentissage
tics from Iowa
statistique, la modélisation de données
State University
catégoriques, la conception et l’analyse
and spent 13 years
d’expériences, ainsi que sur les statistiques
at Kansas State
sportives. Il a publié un livre intitulé ”Anal-
University before moving to SFU in 2006.
ysis of Categorical Data with R”, co-écrit par
Tom has broad research interests in many
Chris Bilder et disponible chez CRC Press.
areas of statistical application and method
Tom a une longue expérience en tant que con-
development, including statistical learning,
sultant statistique et possède l’accréditation
modeling categorical data, design and
PSTAT de la American Statistical Associa-
analysis of experiments, and statistics in
tion (ASA) et de la Société statistique du
sports. He has published a book, ”Analysis
Canada (SSC). Il est également Fellow de
of Categorical Data with R,” co-authored
l’ASA.
with Chris Bilder and available from CRC
Press. Tom has extensive experience as
a statistical consultant and has PSTAT
accreditation from both the ASA and the
Statistical Society of Canada. He is also a
Fellow of the ASA.
16Invited career speakers • Conférenciers invités à la séance
sur les carrières
Dominique Ibañez
Dominique est titulaire d’une maı̂trise en bio-
Dominique is
statistique de l’Université de Toronto. Elle
Chief, Biostatistics
s’est jointe à la Direction des aliments de
and Risk Mod-
Santé Canada il y a quatre ans. Elle est
elling Division,
arrivée avec 25 ans d’expérience en analyse
Bureau of Food
statistique en milieu clinique, principalement
Surveillance and
en recherche en rhumatologie. Elle a plus
Science Integration,
de 90 articles évalués par des pairs à son ac-
Food Directorate at
tif. Elle dirige maintenant une équipe de dix
Health Canada. She
statisticiens. Sous sa direction, de nouvelles
graduated with a
normes ont été introduites pour améliorer les
Master’s degree in
performances. Celles-ci incluent: le men-
Biostatistics from
torat du nouveau personnel par des person-
the University of
nes plus expérimentées, des forums de discus-
Toronto. She joined
sion mensuels sur les statistiques, une plus
the Health Canada’s Food Directorate four
grande attention portée à la recherche statis-
years ago. She arrived with 25 years of
tique ainsi qu’à la création de liens avec
experience conducting statistical analysis
les chercheurs universitaires en nutrition à
in a clinical environment – primarily in
travers le Canada. Son équipe a prodigué une
Rheumatology research. She has over 90
expertise statistique dans le cadre de projets
peer-reviewed articles to her credit. She
clés menés à la Direction des aliments, tels
now leads a team of 10 statisticians. Under
que la réduction de la teneur en sodium des
her leadership, new standards have been
aliments, les évaluations précédant la mise en
introduced to improve performance. Some
marché, et la présence de salmonelle dans le
of these include: mentoring of new staff
poulet.
by more experienced ones, monthly statis-
tical discussion forums and greater focus
on statistical research as well as outreach
to academic nutrition researchers across
Canada. Her team has been involved in
providing statistical expertise and analysis
in key projects conducted in the Food Direc-
torate such as Sodium Reduction in Canada,
pre-market evaluations and Salmonella in
Chicken.
17Lisa Lix
Dre Lisa Lix est professeure de biostatis-
Dr. Lisa Lix
tique et titulaire de la Chaire de recherche
is Professor of
du Canada de niveau 1 sur les méthodes
Biostatistics and
d’assurance de la qualité des données
a Tier I Canada
électroniques sur la santé au Collège de
Research Chair
médecine Max Rady de l’Université du
in Methods for
Manitoba. Elle est aussi directrice de la
Electronic Health
Plateforme de science des données du Cen-
Data Quality in
tre George & Fay Yee pour l’innovation
the Department of
dans les soins de santé, une unité de
Community Health
recherche résultant d’une collaboration en-
Sciences, Max Rady
tre l’Office régional de la santé de Win-
College of Medicine,
nipeg et l’Université du Manitoba. Le Cen-
University of Man-
tre George & Fay Yee vise à renforcer la
itoba. She is also
recherche ciblée sur le patient au Mani-
Director of the Data Science Platform in
toba. Son équipe, comportant plus de
the George & Fay Yee Centre for Healthcare
trente professeurs, membres du personnel
Innovation (CHI), a research unit that is a
de soutien et stagiaires possédant une ex-
collaboration between the Winnipeg health
pertise en biostatistique, en bioinformatique
region and the University of Manitoba. The
et en méthodologie de recherche clinique,
CHI aims to strengthen patient-focused
est axée sur la recherche méthodologique,
research in Manitoba. Her team of 30+
la formation et la consultation. Les do-
faculty, staff and trainees with expertise
maines d’expertise de Dre Lix comprennent
in biostatistics, bioinformatics, and clinical
les méthodes pour corriger les biais et les er-
research methodology focuses on method-
reurs dans les bases de données électroniques
ological research, training, and consulting.
sur la santé, les méthodes statistiques pour
Dr. Lix’s areas of research expertise in-
l’analyse d’issues rapportées par le patient
clude methods to address bias and error
et les méthodes d’analyse pour les données
in electronic health databases, statistical
longitudinales. Elle est une chercheuse pro-
methods for the analysis of patient-reported
lifique ayant publié plus de 325 articles sci-
outcomes, and methods for the analysis of
entifiques. Dr Lix est membre élue du con-
longitudinal data. She is a prolific researcher
seil d’administration de la Société statis-
who has published more than 325 scholarly
tique du Canada, présidente de la program-
papers. Dr. Lix is an elected member of the
mation du Congrès annuel de la SSC de
Board of Directors of the Statistical Society
2019, coprésidente du groupe de travail sur
of Canada, Program Chair for the Society’s
la qualité des données du Système canadien
2019 meeting in Calgary, Co-Chair of the
de surveillance des maladies chroniques, et
Data Quality Working Group for the Cana-
responsable désignée de la programmation
dian Chronic Disease Surveillance System,
en statistiques appliquées aux politiques de
and Program Chair Elect for the 2020 Joint
santé à la conférence Joint Statistical Meet-
Statistical Meetings Health Policy Statistics
ings (JSM) de 2020.
Section.
18Steven Wu
Steven Wu a obtenu un B.Math Hon. en
Steven Wu fin-
statistique de l’Université Carleton, puis une
ished his B. Math
M.Sc. en statistique de l’Université Simon
Hon. in Statistics
Fraser. Il a fait le programme co-op à
at Carleton Univer-
chaque institution. Pour son premier stage,
sity and finished his
il a été embauché comme testeur manuel
MSc Statistics at Si-
d’assurance qualité (QA) dans une startup,
mon Fraser Univer-
puisque sa connaissance de la programma-
sity. He did the
tion était terrible. La succession de tâches
co-op programs at
monotones lui a permis de réaliser le pou-
both schools, doing
voir de la programmation comme outil pour
his first work term as a manual QA tester
accroı̂tre la productivité. En s’imprégnant
at a startup because his programming skills
le jour de l’environnement de la haute tech-
were terrible. It was in that role of rote tasks
nologie, puis en raffinant le soir sa maı̂trise
where he realized how powerful program-
de Python, Steven a pu développer et met-
ming is as a tool for productivity. Absorbing
tre en marché une appli permettant aux
tech context at day and developing Python
entraı̂neurs de basketball dans les univer-
programming skills at night, Steven devel-
sités canadiennes d’améliorer leurs stratégies
oped and marketed a web app that allowed
de jeu à l’aide de données et de méthodes
Canadian university basketball coaches to
statistiques. Les tentatives de la vendre ont
inform their game-planning strategies using
échoué misérablement, mais l’expérience a
data and statistical methods. Attempts to
été malgré tout instructive et lui a de plus
sell it failed spectacularly but he learned a
donné un bon projet à mentionner dans le
ton and it made for a great project to talk
cadre de sa recherche d’emploi. Il a pos-
about when applying for jobs. He inter-
tulé auprès de quelques équipes sportives,
viewed with a few sports teams, government
départements gouvernementaux, et compag-
departments, tech companies, and a hedge
nies de haute technologie, ainsi qu’auprès
fund before accepting a role as a Data Sci-
d’un fonds spéculatif avant de dénicher un
entist for Shopify’s People Analytics team.
poste de spécialiste des données dans l’équipe
People Analytics collects and analyzes data
People Analytics de Shopify. L’équipe Peo-
about the Shopify team to (a) help leadership
ple Analytics collecte et analyse des données
make data informed decisions and (b) help
sur le fonctionnement de Shopify afin d’aider
make our workplace more efficient and en-
les dirigeants à prendre des décisions basées
gaging. We regularly use statistical methods
sur les données, et de créer un environnement
to influence decisions around hiring, perfor-
de travail plus efficace et stimulant. Son tra-
mance, retention, engagement, learning, cul-
vail statistique influence la prise de décision
ture, andmore.
en rapport à l’embauche, la performance,
la rétention, l’implication, l’apprentissage, la
culture, et bien plus.
19Posters • Affiches
No Title/Titre Presenter/Presenteur
1 Aint Played Nobody: Building an Optimal Schedule to Secure an NCAA Tournament Berth Kevin Floyd
J’ai pas triché: Construction d’un calendrier optimal pour sécuriser une place au championnat de la NCAA
2 Application of the Distributed Lag Models for Examining Associations Between the Built Environment and Obesity Risk in Children Anna Smyrnova
Application de modèles à retards échelonnés pour examiner les associations entre l’environnement bâti et le risque d’obésité chez les enfants
3 Projected changes of extreme rainfall in the province of Quebec Éloise Nolet-Gravel
Changements projetés des précipitations extrêmes au Québec
4 Computing R-optimal designs for multi-response regression models via interior point method Pengqi Liu
Calcul de schémas R-optimaux pour les modèles de régression à réponses multiples à l’aide d’une méthode du point intérieur
5 Conducting causal inference in the presence of measurement bias using administrative databases Sumeet Kalia
Inférence causale en présence de biais de mesure à partir de bases de données administratives
6 Construction of Block Incomplete Design Under Correlated Error Structure Meixin Liu
Construction de plans en blocs incomplets avec une structure d’erreurs corrélées
7 Covariance-adjusted, sparse, reduced-rank regression with application to imaging-genetics data Haoyao Ruan
Régression parcimonieuse, à rang réduit et ajustée pour la covariance, avec applications à des données d’imagerie et de génétique
8 Grading Gunslingers: A Preliminary Model For Evaluating Pitcher Types in Baseball Alexander Sharp
Classement des tireurs d’élites: Modèle préliminaire pour évaluer les types de lanceurs au baseball - la méthode de réévaluation continue
9 Improving the Hosmer-Lemeshow Goodness-of-Fit Test Nikola Surjanovic
Amélioration du test d’ajustement de Hosmer-Lemeshow
10 Incremental value of AUC, average positive predictive value and Brier Score Zhe Lu
Valeur ajoutée de l’ASC, de la valeur positive prédictive moyenne et du score de Brier
11 Investigating the relationship between temperature and the number of fatalities on Canadian highways using time series analysis. Alex Mackie
Une étude sur la relation entre la température et le nombre de décès sur les autoroutes canadiennes à l’aide d’une analyse de séries chronologiques.
12 Joint Models of Longitudinal and Time-to-event Data: Impact of Data Collection Cycles Yixiu Liu
Modèles conjoints pour données longitudinales et de durée de vie: l’effet des cycles de collectes de données
13 Longitudinal Changes in Colorectal Cancer among Farm and Non-farm Rural Residents Ibrahim Watara Abubakari
Changements longitudinaux dans le cancer colorectal chez les résidents de zones rurales agricoles et non agricoles
14 Parsimonious Gaussian Mixtures via Chimeral Clusters Jason Hou-Liu
Mélanges gaussiens parcimonieux via des grappes chimères
15 Semi-parametric estimation of scoring rates in the English Premier League Robyn Ritchie
Estimation semi-paramétrique de la cadence des tirs au but réussis dans la English Premier League
16 Semi-supervised nonnegative matrix factorization with applications to spectral data Shreeves Phil
Factorisation matricielle non négative semi-supervisée avec applications aux données spectrales
17 Spatial tracking of the current Ebola outbreak in Congo Michael Wendlandt
Suivi spatial de l’épidémie actuelle d’Ebola au Congo
18 Spatio-Temporal Modelling of Ichemic Heart Disease in Manitoba Justin Dyck
Modélisation spatio-temporelle de la cardiopathie ischémique au Manitoba
19 The Effect of Pace on the Performance of the Closers in the Kentucky Derby Miguel Macaraig
L’effet de l’allure sur la performance des closers au Kentucky Derby
20 Understanding Edmonton’s Weather: An Analysis of the Mean Temperature and Snowfall David Cao
Comprendre la météo d’Edmonton : une analyse de la température moyenne et des chutes de neige
21 Unsupervised Learning on Functional Data with Application to U.S. Weather Data Chuyuan Lin
Apprentissage non supervisé de données fonctionnelles avec application aux données météorologiques américaines
22 Validation Study on a Screening Tool for Mental Health of Children and Youth in Canada Xuejing Jiang
Étude de validation d’un outil de dépistage de la santé mentale des enfants et des jeunes au Canada
20Oral presentations •Présentations orales
Student Research Talks I
No Title/Titre Presenter/Presenteur Category/Catégorie Page
1 Impact of interest rate portfolio selection techniques 22
L’effet des risques de taux d’intérêt de techniques optimales de sélection de portfolios
2 An Application of the Gibbs Sampling to the Battleship Game Dan Richard Applications 23
Une application de l’échantillonnage de Gibbs au jeu Bataille Navale
3 Examining Age and Sex-related Differential Item Functioning in Seattle Angina Questionnaire Oluwaseyi A. Lawal Applications 24
Examen du fonctionnement différentiel lié à l’âge et au sexe dans le questionnaire sur l’angine de Seattle
d’identification automatique (SIA)
4 Construction of D-optimal Designs in Polynomial Regression Models Di Wu Robust estimators 25
Formulation de plans D-optimaux pour les modéles de régression polynomiale
5 A new design of the continual reassessment method Weijia Zhang Robust estimators 26
Un nouveau plan d’expérience pour la méthode de réévaluation continue
6 Time Series Interpolation Algorithms: An Application to Real-World Data Melissa Van Bussel Robust estimators 27
Algorithmes d’interpolation pour séries chronologiques : Application à des données réelles
7 Sufficient dimension reduction for feasible and robust estimation of average causal effect Trinetri Ghosh Causal inference 28
Réduction suffisante de la dimensionnalité pour une estimation réalisable et robuste de l’effet causal moyen
8 On Bayesian estimation of causal effect with a latent confounder class Kuan Liu Causal inference 29
Estimation bayésienne d’un effet causal en présence d’une classe de confusion latente
9 Distance Metrics for Measuring Joint Dependence with Application to Causal Inference Shubhadeep Chakraborty Causal inference 30
Mesures de distance pour mesurer la dépendance conjointe avec application à l’inférence causale
Student Research Talks II
No Title/Titre Presenter/Presenteur Category/Catégorie Page
10 Frequentist Model Averaging Estimator of Support Vector Machine Classfiers and Regressors Kiwon Francis Model Selection 31
Estimateur par combinaison de modèles fréquentistes pour les classificateurs et régresseurs par machines à vecteurs de support
11 Outlier Detection Methods for Quantitative Fatty Acid Signature Analysis Jennifer McNichol Model Selection 32
Méthodes de détection des valeurs aberrantes pour l’analyse quantitative de la signature en acides gras
12 Predictive Comparison of Vine Copula Models Md Erfanul Hoque Model Selection 33
Comparaison prédictive de modèles de copules en vignes
13 Bayesian spatial logistic regression model for investigating socio-economic and demographic determinants and Rifat Zahan Bayesian statistics 34
geographic variation of pregnancy termination among Bangladeshi women
Modèle de régression logistique spatiale bayésienne pour étudier les déterminants socio-économiques et démographiques,
et la variation géographique de l’interruption de la grossesse chez les Bangladaises
14 Measurement error adjustment in a zero-inflated Poisson model Kangjie Zhang Bayesian statistics 35
Ajustement pour l’erreur de mesure dans un modèle de Poisson à inflation de zéro
15 Bayesian Approaches to Density Estimation for Use in Functional Linear Regression Shaun McDonald Bayesian statistics 36
Approches bayésiennes pour l’estimation de densités pour l’utilisation en régression linéaire fonctionnelle
16 Variation Along Continuous Neuroelectric Activity Related to Early Cognitive Impairment Henry Lu Biostatistics 37
Variation le long de l’activité neuroélectrique continue liée à un trouble cognitif précoce
17 Crossed random effects modelling of binomial data with random cluster sizes Jingyu Cui Biostatistics 38
La modélisation par effets aléatoires croisés des données binomiales avec des groupages de tailles aléatoires
18 Automated disease detection in dairy cattle using recurrent neural networks Syed Ali Naqvi Biostatistics 39
Détection automatisée de maladies chez les bovins laitiers à l’aide de réseaux de neurones récurrents
21Scientific abstracts: Oral presentations • Résumés sci-
entifiques: présentations orales
Applications
08:50am - 09:35am, Theatre 4, Michela Panarella (Chair • Présidente)
michela.panarella@mail.utoronto.ca
Lin, Wei-Hsiang; Lin, Shih-Kuei; Tsai, Cary Chi-Liang
Impact of interest rate, surrender, and liquidity risks on the surplus of a portfolio of endow-
ment policies using optimal portfolio selection techniques
L’effet des risques de taux d’intérêt, de rachat et de liquidité sur le surplus d’un portfolio
de polices de dotation résultant de techniques optimales de sélection de portfolios
A life insurer charges an endowment pol- Un assureur charge au détenteur d’une po-
icyholder high premiums from which the lice de dotation des primes élevées, à par-
policyholder’s cash value is built at an tir desquelles se bâtit la valeur en argent
interest rate. The life insurer invests the de l’assuré, en fonction d’un certain taux
collected premiums in financial securities d’intérêt. L’assureur investit les primes
to meet or exceed the interest rate, and collectées dans des produits financiers afin
a policyholder can surrender his policy d’atteindre ou d’excéder ce taux d’intérêt.
before maturity and get his cash value back L’assuré peut racheter sa police avant ma-
subject to a surrender charge. When lots turité et obtenir ainsi sa valeur en argent,
of policyholders surrender their policies, moins les frais de rachat. Si un grand nom-
the life insurer needs to liquidate some bre d’assurés rachètent leur police, l’assureur
securities in a short time, which exposes the doit liquider des actifs financiers en peu de
insurer to liquidity risk. In this paper, we temps, créant un risque de liquidité. Dans
propose a framework to analyse the impact cet article, nous proposons une méthode
of interest rate, surrender, and liquidity risks pour analyser l’effet des risques liés aux taux
on the surplus of a portfolio of endowment d’intérêt, aux rachats et à la liquidité sur
policies. Under the framework, we formulate les surplus d’un portfolio de polices de dota-
the fair premium and risk-based reserves tion. À partir de cette méthode, nous for-
calculations. In addition, we adopt optimal mulons les calculs pour un montant de prime
portfolio selection methods for maximizing juste et pour les montants de réserve associés
utilities. A series of sensitivity analyses are au risque. Nous adoptons également des
conducted to illustrate the surplus distribu- méthodes optimales de sélection de portfolios
tions and corresponding utilities after the afin de maximiser les utilités. Dans ce con-
adoption. texte, nous réalisons un ensemble d’analyses
de sensibilité dans le but d’illustrer les distri-
butions des surplus et les utilités correspon-
dantes.
22Richard, Dan; Lupul, Nicholas
An Application of the Gibbs Sampling to the Battleship Game
Une application de l’échantillonnage de Gibbs au jeu Bataille Navale
Battleship is a classic two player game Bataille Navale est un jeu très populaire,
where the goal is to sink the opponent’s dans lequel deux joueurs visent à couler
ships. Programming a winning strategy les bateaux de l’adversaire. Programmer
for this game is difficult because the state une stratégie gagnante pour ce jeu est diffi-
space representing the possible coordinates cile, car l’espace d’état comprenant les coor-
for the opponent’s ships is huge. To solve données possibles des bateaux de l’adversaire
this issue, we implemented an algorithm est énorme. Afin de régler ce problème,
based on the Gibbs sampling to estimate nous avons implémenté un algorithme basé
the probability of each coordinate to contain sur l’échantillonnage de Gibbs (Gibbs sam-
a ship. Simulation results regarding the pling) nous permettant d’estimer la proba-
number of guesses to sink each ship and to bilité qu’un bateau se trouve à chaque co-
complete a game are presented along with ordonnée. Nous présentons les résultats de
strategy Insights. simulations en lien au nombre d’essais pour
couler chaque bateau et pour compléter le
jeu, ainsi que des conseils stratégiques con-
nexes.
23Oluwaseyi A. Lawal, Zhiying Liang, Oluwagbohunmi Awosoga, Maria J. Santana, Danielle A Southern, Lisa M. Lix, Colleen Norris, Matthew T. James, Tolulope Sajobi Examining Age and Sex-related Differential Item Functioning in Seattle Angina Question- naire Examen du fonctionnement différentiel lié à l’âge et au sexe dans le questionnaire sur l’angine de Seattle Background/Aims: Patient-reported out- Changes in CFI ≤-0.01 indicates that the come measures (PROMs) are increasingly null hypothesis of invariance should not be being used in to compare the health sta- rejected meaning that there is equality of tus of different population groups. When patterns of the configural, weak, strong and completing PROMs subgroups of individuals strict invariance across sex/age groups; RM- may interpret questions about their health- SEA ≤ 0.05 indicates close model fit. Re- related quality of life (HRQoL) differently, sults: Of the 3864 patients included in this a phenomenon known as differential item analysis, 3203 (82.89%) were younger than functioning (DIF). This may threaten the 75 years old while 3006 (77.8%) are male. overall comparability of PROM scores across Several items demonstrated negligible DIF (0 population groups and/or over time. This
Robust estimators • Estimateurs robustes
08:50am - 09:35am, O1500, Victoire Michal (Chair • Présidente)
victoire.michal@umontreal.ca
Di, Wu
Construction of D-optimal Designs in Polynomial Regression Models
Formulation de plans D-optimaux pour les modèles de régression polynomiale
Whenever we have an appropriate statistical Même avec un modèle statistique appro-
model, it is crucial to have good estimation of prié, l’estimation des paramètres, bien que
the parameters of the model. Optimal design cruciale, peut être difficile. La formula-
plays a big role on achieving this objective. tion d’un plan optimal aide à améliorer
There are a variety of criteria defining good les estimés obtenus. Il existe une multi-
estimation. Motivated by this fact, we con- tude de critères pour quantifier la qualité
struct D-optimal designs by minimizing the de l’estimation. Dans cet esprit, nous for-
generalized variance of the parameter estima- mulons des plans D-optimaux en minimisant
tors of some polynomial regression models. la variance généralisée des estimateurs des
In order to construct such designs, we use paramètres de modèles de régression polyno-
a class of algorithms, indexed by a function miale. Nous employons un type d’algorithme
which depends on the derivatives of the cri- indexé par une fonction dépendant de la
terion function. We also attempt to improve dérivée de la fonction critère. Nous ten-
the convergence of the algorithm by using the tons également d’améliorer la convergence de
properties of the directional derivatives of the l’algorithme en exploitant les propriétés des
criterion function. dérivées directionnelles de la fonction critère.
25Zhang, Weijia; Yang, Po; Muthukumarana, Saman
A new design of the continual reassessment method
Un nouveau plan d’expérience pour la méthode de réévaluation continue
We propose a new design of the continual Nous proposons un nouveau plan
reassessment method (CRM) and system- d’expérience pour la méthode de réévaluation
atically evaluate its performance on certain continue et évaluons systématiquement
operating measures to satisfy the require- sa performance sur certaines mesures
ments of collective and individual ethics. opérationnelles pour satisfaire aux exi-
We consider the cases of a single drug and a gences éthiques collectives et individu-
combination of two drugs. Simulation results elles. Nous considérons le cas d’un seul
show that our new method works well over- médicament et celui d’une combinaison
all in comparison with currently available de deux médicaments. Les résultats de
designs, on criteria BEARS: Benchmark, simulation montrent que notre méthode
Efficacy, Accuracy, Safety. Our new design fonctionne bien globalement en comparaison
avoids toxic doses while reliably identifying avec les plans d’expérience actuellement
the maximum tolerated dose. disponibles, selon les critères de Beers:
référence, efficacité, précision et sécurité.
Notre nouveau plan d’expérience évite les
doses toxiques tout en identifiant de manière
fiable la dose maximale tolérée.
26Van Bussel, Melissa; Castel Sophie; Burr, Wesley
Time Series Interpolation Algorithms: An Application to Real-World Data
Algorithmes d’interpolation pour séries chronologiques : Application à des données réelles
The analysis of complex scientific data ob- L’analyse de données scientifiques complexes
served in the form of time series often uses observées sous forme de séries chronologiques
the power spectrum as an exploratory tool. fait souvent appel au spectre de puissance
Robust estimators of this statistic have ex- comme outil d’exploration. Des estima-
isted for some time, but typically require that teurs robustes de cette statistique existent
the data set be contiguous, that is, without depuis un certain temps, mais ils requièrent
any missing observations. This presents a habituellement que le jeu de données soit
problem for many data sets, as observations contigu, c’est-à-dire qu’il n’y ait pas de
can be missing for a number of reasons: in- valeurs manquantes. Ceci constitue un
strumentation error or fault, data corruption, problème pour plusieurs bases de données,
or observational concerns such as interrupted puisque des observations peuvent être man-
vision of the observational unit (e.g., satel- quantes pour une foule de raisons: erreurs
lites losing data coverage due to cloud cover). ou défauts dans la prise de mesure, corrup-
Interpolators for time series aim to repair the tion des données, ou problèmes d’observation
original scientific data by inserting estimated tels que l’interruption dans l’observation de
values for the missing quantities. In this l’unité, p.ex. un satellite perdant le sig-
talk, we will examine the computational nal visuel dû au couvert nuageux. Les in-
and performance results for a number of terpolateurs pour les séries chronologiques
modern interpolation algorithms, as applied visent à arranger les données scientifiques
to various real-world datasets. We conclude originales en insérant des valeurs estimées
with recommendations for interpolator pour les quantités manquantes. Dans cette
choice based on the structure of the data of présentation, nous examinerons les résultats
interest. calculatoires et la performance d’un certain
nombre d’algorithmes d’interpolation mod-
ernes, appliqués à divers jeux de données
réelles. Nous concluons avec des recomman-
dations pour le choix d’un interpolateur basé
sur la structure des données choisies.
27Causal inference • Inférence causale
08:50am - 09:35am, 1405B, Thai-Son Tang (Chair • Président)
thaison.tang@mail.utoronto.ca
Ghosh, Trinetri ; Ma, Yanyuan ; Luna, Xavier de
Sufficient dimension reduction for feasible and robust estimation of average causal effect
Réduction suffisante de la dimensionnalité pour une estimation réalisable et robuste de l’effet
causal moyen
When estimating the treatment effect in Pour l’estimation de l’effet du traitement
an observational study, we use a semipara- dans une étude observationnelle, nous util-
metric locally efficient dimension reduction isons une approche de réduction de di-
approach to assess both the treatment mensionnalité semi-paramétrique et efficace
assignment mechanism and the average localement. Elle permet l’évaluation du
responses in both treated and nontreated mécanisme d’assignation du traitement et de
groups. We then integrate all results la réponse moyenne dans les groupes traités
through imputation, inverse probability et non-traités. Par la suite, nous intégrons
weighting and doubly robust augmentation tous les résultats à l’aide d’estimateurs par
estimators. Doubly robust estimators are imputation, par pondération selon la prob-
locally efficient while imputation estima- abilité inverse, et par augmentation dou-
tors are super-efficient when the response blement robustes. Les estimateurs double-
models are correct. To take advantage of ment robustes sont efficaces localement, tan-
both procedures, we introduce a shrinkage dis que les estimateurs d’imputation sont
estimator to automatically combine the two, super-efficaces si les modèles pour la réponse
which retains the double robustness property sont corrects. Afin de tirer avantage des deux
while improving on the variance when the approches, nous présentons un estimateur de
response model is correct. We demonstrate rétrécissement (shrinkage estimator) les com-
the performance of these estimators through binant automatiquement. Il préserve la pro-
simulated experiments and a real dataset priété de double robustesse et améliore la
concerning the effect of maternal smoking variance quand le modèle pour la réponse est
on baby birth weight. correct. Nous démontrons la performance de
l’estimateur à partir d’expériences simulées
et via l’analyse d’un véritable jeu de données
traitant de l’effet du tabagisme maternel sur
le poids des enfants à la naissance.
28Kuan Liu; Olli Saarela; Eleanor Pullenayegum
On Bayesian estimation of causal effect with a latent confounder class
Estimation bayésienne d’un effet causal en présence d’une classe de confusion latente
Despite the practicality, observational studies Malgré leur aspect pratique, les études observa-
are subjected to selection and confounding bias tionnelles sont sujettes à du biais de sélection et
and often require all confounders to be mea- de confusion. Pour l’inférence d’un lien causal,
sured and controlled to infer casual relationship. elles requièrent souvent que tous les facteurs de
In practice, it’s difficult to ensure and assume confusion soient mesurés et contrôlés. En pra-
all confounders were captured in the data. We tique, il est difficile de s’assurer que tous les fac-
consider a causal effect that is confounded by teurs de confusion ont été enregistrés. Nous con-
an unobserved latent confounder class. This sidérons dans cette étude un effet causal confus
latent class can be viewed as the unobserved par une classe de confusion latente non observée.
augmented disease-risk/comorbidity profile On peut considérer cette classe latente comme le
that functions as a confounder. The observed profil non observé et augmenté de comorbidité
covariates, instead of being treated directly as et de risque de maladie, qui agit en tant que
confounders, are categorized into two groups: facteur de confusion. Nous ne traitons pas di-
one predicts the latent class (class predictors) rectement les covariables observées comme de
and one manifested from the latent class (class simples facteurs de confusion. Nous les subdi-
indicators). We assume the unobserved latent visons plutôt en deux groupes: l’une comprend
class 1) captures the true confounding informa- les prédicteurs de classe, et l’autre comprend
tion, 2) can be sufficiently identified (modeled) les effets découlant de la classe (indicateurs de
given the measured covariates and 3) deter- classe). Nous assumons que la classe latente non
mines both the treatment and outcome process. observée reflète l’information véritable de confu-
Furthermore, conditioning on the latent class, sion, qu’elle puisse être suffisamment identifiée
treatment assignment is independent of the po- (modélisée) à l’aide des covariables mesurées, et
tential outcomes, which permits a full Bayesian enfin, qu’elle détermine autant le processus de
parameterization of the joint distribution of the traitement que celui de réponse. De plus, en
treatment model, outcome model and the latent conditionnant sur la classe latente, on obtient
class model. Our proposed causal problem is que l’assignation du traitement est indépendante
appealing - it features dimension reduction of des réponses potentielles. Ceci permet une
the measured covariates through modeling the paramétrisation bayésienne complète de la dis-
underlying patient augmented confounding in tribution conjointe du modèle de traitement, de
a latent class analysis. The objective of this réponse et de classe latente. Le problème causal
presentation is to present the proposed causal que nous abordons est attrayant: il implique
problem, share existing literature in causal une diminution de la dimensionnalité des covari-
inference with unmeasured (latent) confounder ables mesurées à travers la modélisation, par
and discuss the planned Bayesian estimation. une analyse de classe latente, de la confusion
augmentée sous-jacente pour le patient. Cette
présentation vise à expliquer le problème causal
proposé, faire connaı̂tre la littérature existante
en inférence causale en présence d’un facteur
de confusion (latent) non mesuré, et mettre en
lumière l’estimation bayésienne imaginée.
29Chakraborty, Shubhadeep ; Zhang, Xianyang
Distance Metrics for Measuring Joint Dependence with Application to Causal Inference
Mesures de distance pour mesurer la dépendance conjointe avec application à l’inférence
causale
Many statistical applications require the Plusieurs applications statistiques
quantification of joint dependence among nécessitent de quantifier la dépendance
more than two random vectors. In this work, conjointe d’un ensemble formé de plus de
we generalize the notion of distance covari- deux vecteurs aléatoires. Dans nos travaux,
ance to quantify joint dependence among nous généralisons la notion de covariance
d ≥ 2 random vectors. We introduce the de distance pour quantifier la dépendance
high order distance covariance to measure conjointe d’un ensemble formé de d ≥ 2
the so-called Lancaster interaction depen- vecteurs aléatoires. Nous introduisons une
dence. The joint distance covariance is then distance de covariance d’ordre supérieur
defined as a linear combination of pairwise pour mesurer la soi-disant dépendance
distance covariances and their higher order d’interaction de Lancaster. La covariance de
counterparts which together completely distance conjointe est ainsi définie comme
characterize mutual independence. We une combinaison linéaire des distances de co-
further introduce some related concepts variance deux-à-deux et de leurs homologues
including the distance cumulant, distance d’ordre supérieur, qui lorsque combinés
characteristic function, and rank-based caractérisent complètement la dépendance
distance covariance. Empirical estimators mutuelle. Ensuite, nous introduisons cer-
are constructed based on certain Euclidean tains concepts connexes, comme le cumulant
distances between sample elements. We de la distance, la fonction caractéristique
study the large sample properties of the es- de la distance, et la covariance de distance
timators and propose a bootstrap procedure basée sur le rang. Des estimateurs em-
to approximate their sampling distributions. piriques sont construits à partir de certaines
The asymptotic validity of the bootstrap distances euclidiennes entre les éléments de
procedure is justified under both the null l’échantillon. Nous étudions les propriétés
and alternative hypotheses. The new metrics de ces estimateurs pour des échantillons
are employed to perform model selection in de grande taille, et nous proposons une
causal inference, which is based on the joint procédure bootstrap pour approximer leur
independence testing of the residuals from distribution d’échantillonnage. La validité
the fitted structural equation models. The asymptotique de la procédure bootstrap
effectiveness of the method is illustrated via est justifiée sous les hypothèses nulle et
both simulated and real datasets. alternative. Les nouvelles mesures sont
utilisées pour sélectionner un modèle en
inférence causale, celui-ci basé sur un test
d’indépendance conjointe des résidus tiré
de l’ajustement d’un modèle d’équations
structurelles. L’efficacité de la méthode
est illustrée à l’aide de données simulées et
réelles.
30You can also read
