Modèles linéaires généralisés multivariés à composantes supervisées et facteurs latents, avec partitionnement thématique des variables explicatives - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2022

Modèles linéaires généralisés multivariés à composantes supervisées et facteurs latents, avec partitionnement thématique des variables explicatives

Résumé

À l'origine, la Régression Linéaire Généralisée sur Composantes Supervisées (SCGLR) a été conçue pour trouver, au sein de très nombreuses covariables redondantes, des composantes explicatives conjointement supervisées par plusieurs réponses, ce qui est nécessaire dans un contexte de grande dimension. Plus tard, SCGLR fut améliorée pour chercher des composantes au sein de variables explicatives partitionnées en thèmes. Dans ce travail, nous proposons d'étendre cette méthode en modélisant la matrice de variance-covariance conditionnelle des réponses de telle sorte que la covariance conditionnelle des réponses soit principalement expliquée par quelques facteurs. Nous chercherons donc non seulement à extraire des thèmes des composantes explicatives, mais aussi à identifier des blocs dans la matrice de variance-covariance des réponses conditionnellement à ces composantes. Après la linéarisation du modèle, un algorithme combinant EM et celui de SCGLR thématique est proposé afin d'estimer les paramètres du modèle.
Fichier principal
Vignette du fichier
template.pdf (260.88 Ko) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-03649081 , version 1 (22-04-2022)

Identifiants

  • HAL Id : hal-03649081 , version 1

Citer

Julien Gibaud, Xavier Bry, Catherine Trottier. Modèles linéaires généralisés multivariés à composantes supervisées et facteurs latents, avec partitionnement thématique des variables explicatives. 53èmes Journées de Statistique de la Société Française de Statistique, Jun 2022, Lyon, France. ⟨hal-03649081⟩
32 Consultations
36 Téléchargements

Partager

Gmail Facebook X LinkedIn More