![Matthew Stephenson Matthew Stephenson](/sites/default/files/styles/award_winner/public/people/cjs_2020_stephenson.jpg?itok=s1kJ0ssv)
![R. Ayesha Ali R. Ayesha Ali](/sites/default/files/styles/award_winner/public/people/cjs_2020_al.jpg?itok=lSudtxPW)
![Gerarda A. Darlington Gerarda A. Darlington](/sites/default/files/styles/award_winner/public/people/cjs_2020_darlington.png?itok=5xCBDfF_)
Le prix de La revue canadienne de statistique est présenté chaque année par la Société statistique du Canada à l’auteur / aux auteurs d’un article publié dans la Revue, en reconnaissance de la qualité exceptionnelle de l’innovation méthodologique et de la présentation. L’article primé cette année s’intitule « Doubly sparse regression incorporating graphical structure among predictors ». (Volume 47, no. 4, pp. 729–747) par M. Stephenson, R. A. Ali et G. A. Darlington.
Lorsque des données biologiques sont associées à un système complexe, il est avantageux d’exploiter la structure du système pour prédire la réponse biologique. Cet article présente une approche novatrice de régression doublement clairsemée incorporant des structures graphiques, qui commence par modéliser la structure sous-jacente des variables du système avant d’exploiter cette information structurelle pour améliorer la prévision de la réponse. Ce modèle présente une grande flexibilité et d’excellentes capacités prédictives par rapport à d’autres modèles, notamment lorsque seulement une fraction des variables est liée à la réponse. Il permet d’identifier les prédicteurs pertinents et ceux à étudier davantage pour mieux comprendre la réponse. La méthode proposée est valide en grande dimension, lorsque le nombre de variables dépasse la taille de l’échantillon, mais également dans des situations où certains prédicteurs sont hautement corrélés les uns aux autres.
Matthew Stephenson a obtenu sa maîtrise et son doctorat en statistique de la University of Guelph en 2014 et 2019, respectivement. Il s’intéresse notamment à l’apprentissage statistique, à la régression régularisée, à la biostatistique et à la bio-informatique.
R. Ayesha Ali a complété son doctorat en statistique à la University of Washington en 2002 et est aujourd’hui professeure agrégée au Département de mathématiques et de statistique de la University of Guelph. Sa recherche porte sur les méthodes statistiques pour les systèmes de grande dimension complexes, avec des applications spécifiques en biostatistique, en santé animale et en écologie.
Gerarda A. Darlington a complété son doctorat en statistique à la University of Waterloo et est aujourd’hui professeure Professeur titulaire au Département de mathématiques et de statistique de la University of Guelph. Elle s’intéresse notamment aux méthodes statistiques pour les observations corrélées, aux méthodes pour les études épidémiologiques et à la conception et à l’analyse d’essais randomisés en grappes. Elle a été honorée comme l'une des femmes de mérite de Guelph pour son rôle de mentor auprès de femmes en STIM; elle est également la récipiendaire du prix John-Bell 2018 de la University of Guelph en reconnaissance de ses contributions exceptionnelles à l’éducation universitaire.
L’article intitulé « Doubly sparse regression incorporating graphical structure among predictors » par Matthew Stephenson, R. Ayesha Ali et Gerarda A. Darlington est reconnu pour son excellente présentation d’un développement méthodologique impressionnant et ses applications en apprentissage machine.
Angelo Canty était principalement responsable de la production de ce matériel.