Le vendredi 1er avril 2011, 15 h 30 – 17 h, Concordia University, Library Building, 1400 de Maisonneuve O., LB 921-4, SGW

Sharp estimates on the heat kernels and Green functions of subordinate Brownian motions in smooth domains
Renming Song, University of Illinois

A subordinate Brownian motion is a Lévy process which can obtained by replacing the time of Brownian motion by an independent increasing Lévy process. The infinitesimal generator of a subordinate Brownian motion is $-\phi(-\Delta)$, where $\phi$ is the Laplace exponent of the subordinator. When $\phi(\lambda)=\lambda^{\alpha/2}$ for some $\alpha\in (0, 2)$, we get the fractional Laplacian $-(-\Delta)^{\alpha/2}$ as a special case. In this talk, I will give a survey of some recent results on sharp two-sided estimates on the Dirichlet heat kernels and Green functions of $-\phi(-\Delta)$ in smooth domains.

Le jeudi 31 mars 2011, à 13 h 30, en la salle 2500 du pavillon Adrien-Pouliot, Université Laval

Classification et regroupement bayésiens avec sélection de variables pour des données continues en haute dimension
Vahid Partovi Nia, Université McGill

Nous proposons une approche performante pour la classification et le regroupement pour des données continues en haute dimension, en se basant sur une mixture de modèles bayésiens pour lesquels les formes analytiques sont accessibles. Ceci nous autorise alors à traiter le problème de la classification et du partitionnement simultanément ainsi que le calcul de probabilités pour des classes jusqu’alors non observées. La méthodologie développée a l’avantage d’être robuste à l’ajout de variables bruitées comme une conséquence de la structure « pic-et-plat » inhérente au modèle bayésien proposé.

Vendredi le 25 mars 2011, 15:35, McGill University, Burnside Hall, 805, rue Sherbrooke O., salle 1B24

Targeted Maximum Likelihood Estimation: Assessing Effects in RCT and Observational Studies
Mark van der Laan, Jiann-Ping Hsu/Karl E. Peace, UC Berkeley

In this talk we present targeted maximum likelihood based estimators of a causal effect defined in realistic semiparametric models for the data generating experiment, that takes away the need for specifying regression models. Fundamental concepts underlying this methodology are careful definition of the target parameter of the data generating distribution in a realistic semiparametric model, super Learning, i.e., the very aggressive use of cross-validation to select optimal combinations of many candidate estimators, and subsequent targeted maximum likelihood estimation to target the fit towards the causal effect/target parameter of interest. We demonstrate the performance in simulation studies. We also illustrate this method for assessing causal effects of treatment on clinical outcomes in RCT and observational studies in HIV. In particular, we demonstrate the TMLE that allows right-censoring to be a function of time-dependent covariates.

Le 19 avril 2011, 12h00 à 13h30, Salle E2-03 (2e étage), Hôpital du Saint-Sacrement, 1050 chemin Sainte-Foy, Québec (Québec) G1S 4L8.

L’analyse des correspondances et les techniques de regroupement : une puissante combinaison!
Monsieur Jean-François Allaire, M.Sc., Statisticien senior, Groupe de consultation en statistique Centre de recherche Philippe-Pinel de Montréal

Développer une typologie et analyser des profils d’individus représentent un défi technique croissant pour les chercheurs étant donné le nombre et la complexité des méthodes statistiques. Une méthode en particulier gagne cependant à être connue : la combinaison de l’analyse des correspondances multiples (ACM) et des techniques de regroupement. Mettant en lien plusieurs variables catégorielles pour former des groupes d’individus, elle produit des résultats performants et apporte des bénéfices supplémentaires par rapport aux approches traditionnelles.

À propos du conférencier
Jean-François Allaire, M. Sc., est statisticien senior au Centre de recherche de l’Institut Philippe-Pinel de Montréal (CRIPPM), où il coordonne une équipe de statisticiens attitrés aux chercheurs et aux activités de recherche. Il est également cofondateur de SolutionStat, un nouveau cabinet offrant des services de consultation et de formation en statistique.

Titulaire d’une maîtrise en statistique (1997) de l’Université de Montréal et membre de l’Association des statisticiennes et des statisticiens du Québec (ASSQ), Jean-François Allaire est auteur et coauteur de plusieurs publications, présentations et formations, traitant de l’application de l’analyse des correspondances multiples (ACM) jumelée aux techniques de regroupement (clustering) et de classification. Ses champs d’expertise incluent la biostatistique, l’utilisation de systèmes d’informations géographiques (SIG) et l’exploration de grandes bases de données (data mining).

Pour information : Myrto Mondor, URESP, Tél : (418) 682-7511 poste 2709

Le vendredi 18 mars 2011, 15 h 30 – 17 h, Concordia University, Library Building, 1400 de Maisonneuve O. / LB 921-4, SGW

Combining forward selection and shrinkage techniques for variable selection in regression and classification
Subhashis Ghosal, North Carolina State University

Variable selection is a major statistical issue in contemporary data analysis because modern data typically involve a lot of predictors, many of which are nearly irrelevant. Various sparse regression methods such as the LASSO have been developed in the literature to estimate the regression function and make predictions by setting many regression coefficients to zero using specially devised penalty functions. We propose new variable selection techniques for regression in high dimensional linear models based on a forward selection version of the LASSO (or its variants) to be called Forward Iterative Regression and Shrinkage Technique (FIRST). We exploit the fact that LASSO-type methods have closed form solutions when the predictor is one-dimensional. The explicit formula is then repeatedly used in an iterative fashion until convergence occurs. A simulation study shows that our method works better for extremely sparse high dimensional linear models. We apply the method in a gene expression study.

We also develop similar iterative procedures for classification problems based on a variant of the support vector machines (SVM). In this case, even for a one-dimensional predictor, the classifier does not have a closed form solution. However, a careful study of the objective function reveals an efficient algorithm for locating the optimal solution, which can then be iterated as in the case of linear regression, leading to a new procedure, to be called the CLASsification and Selection using Iterative Cycles (CLASSIC). We consider several variations of CLASSIC and compare their performance with other standard classification algorithms such as L1-SVM, SCAD-SVM, LASSO and penalized logistic regression through simulations. Although CLASSIC generally needs more computational time, our simulations show that the misclassification rate of CLASSIC is significantly smaller than its competitors, and generally it leads to more parsimonious models.

The talk is based on joint work with Wookyeon Hwang and Hao Helen Zhang

Mise-à-jour : Le jeudi de l’ASSQ du 31 mars est annulé. Nous vous aviserons si l’événement est remis à une date ultérieure.

Bonjour chers membres,

Vous êtes tous conviés au prochain jeudi de l’ASSQ qui aura lieu le 31 mars 2011 à l’UQÀM.

Pour l’occasion, nous adopterons une nouvelle formule. Dès midi, vous êtes invités à partager un lunch (inclus dans les frais d’inscription) tout en partageant avec les autres participants. Puis, à 13h15, Monsieur Daniel Morissette, fondateur de StatExpert Inc., présentera une conférence intitulée :

Biostatisticien dans l’industrie pharmaceutique – 20 ans plus tard !

dans laquelle il partagera son expérience de l’industrie pharmaceutique afin d’éclairer les étudiants en statistique ayant un coté entrepreneur face aux possibilités et défis de fonder leur propre entreprise. Il présentera notamment deux projets qui l’ont inspiré depuis le lancement de sa compagnie.

Des détails additionnels se trouvent sur la fiche d’inscription.

Réservez votre place dès maintenant!

Le vendredi 11 mars 2011, 15 h 30, CRM, UdeM, Pav. André-Aisenstadt, 2920, ch. de la Tour, salle 6214

Wavelet-based 2-D Spectra and Applications
Brani Vidakovic, Georgia Institute of Technology and Emory University School of Medicine

Measured bio and neuro responses, geophysical and socio-economic phenomena often possess intrinsic high frequency components and strong persistent serial correlations inhibiting statistical modeling by traditional techniques. In many modeling scenarios the low-frequency-trends are irrelevant and researchers focus on the high-frequency component and its low-dimensional descriptors. The talk overviews several traditional wavelet-based techniques for assessing the scaling in 1-, 2-, and 3-D data and some novel related techniques that are under ongoing research by the speaker and colleagues from Georgia Institute of Technology and Emory University. The focus will be on 2-D wavelet-based spectral tools. The applications include analysis and modeling of spectral responses in 1H NMR spectroscopy describing metabolic fluctuations in human plasma, classification of mammograms, turbulence, and assessment of doppler radar rainfall data.

La 24e édition de la Journée de la statistique, organisée par le CASUL (Comité pour l’avancement de la statistique à l’Université Laval), se tiendra le 24 mars 2011 au Boudoir (local 1550) du Pavillon Desjardins. Un dépiant est disponible ici. Des informations supplémentaires sont présentées sur le site web du CASUL.

Ne manquez pas ce rendez-vous annuel! Inscrivez-vous d’ici le 17 mars, c’est gratuit!

Vendredi 4 mars 2011, 15:35, McGill University, Burnside Hall, 805 Sherbrooke Street West, room 1B24

Limit theorems of functional data analysis with some applications
Lajos Horvath, University of Utah

Functional data analysis is concerned with observations which are viewed as functions defined over some set T. It can be temperature at a given location, stock prices, exchange rates, components of a magnetic field, growth curves and so on. Clearly, due to finite resolution, the values of the curve are available ata finite grid of points but due to the density of the grid and the physical interpretation of the curve, it is assumed that the observation is defined on T. We describe the basic principles of functional data analysis, including projections, the choice and estimation of the directions of the projections. We provide several examples for the applicability of the functional interpretation of the data, including the comparison of the mean curves of two populations, volatility models and functional regression.

Le jeudi 3 mars 2011, à 13 h 30, en la salle 2500 du pavillon Adrien-Pouliot

On Nonparametric Density Estimation for Length Biased Data
Yogendra Chaubey, Université Concordia

This talk will highlight some recent development in the area of nonparametric functional estimation with emphasis on nonparametric density estimation for length biased data. Such data entail constraints that many traditional nonparametric density estimators may not satisfy. A lemma attributed to Hille, and its generalization [see Lemma 1, Feller (1965) An Introduction to Probability Theory and Applications, xVII.1)] is used to propose estimators in this context. After describing the asymptotic properties of the estimators, we present the results of a simulation study to compare various nonparametric density estimators.