Cet atelier aborde les principes fondamentaux de l’analyse statistique à l’aide de données d’une enquête à plan de sondage complexe, en mêlant fondements théoriques et exemples pratiques. Il souligne l’importance d’un cadre inférentiel solide lorsqu’il s’agit de faire des inférences sur une population conceptuelle ou finie, en mettant l’accent sur l’approche fondée sur le modèle et l’approche fondée sur le plan de sondage. Le choix du cadre approprié peut ne pas être simple, et cet atelier permettra de clarifier les contextes dans lesquels chaque approche est applicable. De plus, l’atelier montrera comment adapter les méthodes classiques d’analyse de données aux données d’enquête en utilisant l’approche basée sur le plan de sondage. Les principaux sujets abordés comprennent l’estimation des paramètres de modèles de régression, l’estimation de moyennes et de proportions, l’estimation de la variance, l’estimation pour des domaines d’intérêt, les intervalles de confiance et les comparaisons entre les groupes.

L’utilisation d’ensembles de données sur les demandes de remboursement de soins de santé fait souvent l’objet de critiques en raison des problèmes omniprésents de variables omises et d’inexactitudes ou d’erreurs de mesure dans les facteurs de confusion disponibles. Les effets d’un traitement estimés à l’aide de ces sources de données peuvent effectivement souffrir de confusion résiduelle. Les dossiers administratifs électroniques contiennent souvent un grand volume d’informations relatives à la santé, dont beaucoup ne sont pas prises en compte dans les études pharmaco-épidémiologiques conventionnelles. Un algorithme de score de propension haute dimension (hdPS) a été proposé, qui utilise ces informations comme substituts pour les facteurs de confusion mal mesurés et non observés, dans le but de réduire le biais de confusion résiduelle. Depuis lors, de nombreuses extensions semi-paramétriques et en apprentissage automatique de cet algorithme ont été proposées pour mieux exploiter la richesse des informations de substitution en haute dimension. Dans ce tutoriel, nous allons (i) démontrer la logique, les étapes et les directives de mise en œuvre de la méthode hdPS en exploitant une source de données ouverte comme exemple (avec des codes R reproductibles), (ii) familiariser les lecteurs avec la différence clé entre le score de propension et la méthode hdPS, ainsi que les analyses de sensibilité requises, (iii) expliquer la raison d’être de l’utilisation des extensions en apprentissage automatique doublement robustes de la méthode hdPS, et (iv) discuter des avantages, des controverses et des directives de déclaration de la méthode hdPS lors de la rédaction d’un manuscrit.

DOI: https://doi.org/10.1080/00031305.2024.2368794

Cet atelier vise à familiariser les participants avec les outils disponibles dans R pour analyser les séries temporelles d’objets de données fonctionnelles. Les sujets abordés seront la visualisation, la prévision, l’analyse de l’autocorrélation et l’analyse des points de changement.

Les résultats de l’apprentissage sont les suivants :

• Prétraitement des objets de données fonctionnelles

• Graphiques « rainbow » pour la visualisation des séries temporelles fonctionnelles

• Modèles de prévision et sélection de modèles / qualité de l’ajustement

• Analyse des points de changement

Les modèles de processus stochastiques en une et deux dimensions jouent un rôle de plus en plus important dans la modélisation appliquée d’ensembles de données réelles en finance, modélisation des épidémies et des maladies infectieuses et autres analyses de données de santé. Dans cet atelier, nous étudierons l’analyse bayésienne des données pour lesquelles ces modèles de processus stochastiques sont largement considérés comme appropriés. Prenant pour base les méthodes développées pour les modèles non stochastiques (EDO), nous illustrerons l’utilisation des approches de Monte Carlo par chaîne de Markov (MCMC) pour l’analyse de modèles de processus stochastiques définis par un mouvement brownien ou par un processus de Levy, plus complexe. Les méthodes étudiées incluront celles basées sur l’approximation linéaire du bruit, les méthodes de particules et (si possible) le calcul bayésien exact. Nous étudierons également les méthodes bayésiennes et les approches MCMC des données spatiales (processus ponctuels).

Cet atelier se déroulera en personne mais, en raison de circonstances imprévues, le présentateur (le Prof. David Stephens) de cet atelier sera virtuel. Il aura son étudiant en doctorat sur place pour coordonner la livraison des cours.

La recherche est au cœur de l’investigation scientifique. La science statistique a de nombreuses applications dans la recherche (santé, médecine, finance, psychologie, etc.) L’encadrement des étudiants-chercheurs leur donne l’occasion d’examiner de manière critique et d’affirmer leur engagement envers leur future carrière. Le mentorat des étudiants-chercheurs de premier cycle présente d’autres avantages. Il peut aider les mentors seniors à former de nouveaux chercheurs et à créer des disciplines plus inclusives tout en faisant progresser leur propre recherche en partenariat avec des étudiants intelligents, enthousiastes, passionnés et travailleurs. Il permet également aux jeunes mentors de développer leurs compétences professionnelles en matière de conseil et d’enseignement. Ces deux formes d’enseignement et de mentorat mesurent le succès en fonction de l’amélioration de la compréhension de sujets complexes et de la pensée critique. Chaque mentor a sa propre approche et utilise des méthodes différentes pour travailler avec ses étudiants, mais il existe des approches et des pratiques communes que les mentors peuvent utiliser pour contribuer à la réussite de chaque étudiant-chercheur. Dans cet atelier, nous animerons des activités qui s’inspirent des meilleures pratiques dans l’enseignement de la statistique tirées du manuel d’Aaron M. Elllison et de Manisha V. Patel : Success in Mentoring Your Student Researchers, Moving STEMM Forward, et vous proposerons des conseils pratiques pour impliquer et encadrer les étudiants dans la recherche.

Biographies :

Omidali Aghababaei Jazi est professeur adjoint, filière enseignement, au Département des sciences mathématiques et informatiques de l’Université de Toronto Mississauga (UTM). Il a enseigné une variété de cours, y compris Probabilité et statistique, Processus stochastiques et Conception expérimentale, a supervisé des projets de recherche d’étudiants de premier cycle, et animé ces dernières années des sessions de la SSC et le concours d’études de cas. Ses recherches portent sur l’enseignement de la statistique, l’analyse de données de survie biaisées et l’analyse de données longitudinales avec un suivi informatif.

Diana Skrzydlo est professeure agrégée, filière enseignement, au Département de statistique et de sciences actuarielles, et actuellement Chargée d'enseignement en mathématiques. Elle enseigne à l’Université de Waterloo depuis 2007 et s’est largement exprimée sur les techniques innovantes d’enseignement et d’évaluation, notamment en Indonésie dans le cadre du projet READI. Elle est titulaire d’un BMath (2006) et d’une MMath (2007) de l’Université de Waterloo et a obtenu son titre d’ASA de la Society of Actuaries en 2018.

Lijia Wang est professeur adjoint, filière enseignement, au Département des sciences statistiques de l’Université de Toronto. Il a enseigné divers cours de statistique, y compris Probabilité et Statistique. Il se passionne pour l’enseignement de la statistique et ses recherches portent sur l’inférence causale, l’analyse de la médiation causale et son application à la conception de nouveaux modèles statistiques pour les données biomédicales.

James McVittie est professeur adjoint au Département de mathématiques et de statistique de l’Université de Regina. Il a enseigné des cours de statistique à tous les niveaux des études de premier cycle et supervisé des étudiants de premier et deuxième cycle. Ses recherches portent principalement sur l’analyse de survie ainsi que sur les problèmes liés aux données manquantes.

Gracia Dong est professeure adjointe, filière d'enseignement, affiliée aux départements de biologie humaine et de sciences statistiques à l'Université de Toronto. Elle est titulaire d'un doctorat, d'une maîtrise en mathématiques et d'un baccalauréat en statistique de l'Université de Waterloo. Ses recherches portent sur l'équité de l'accès aux soins de santé, la modélisation des populations vulnérables, l'enseignement des statistiques et la génération de nombres quasi-aléatoires.