Le prix de la Revue canadienne de statistique est décerné chaque année par la SSC à l’auteur ou aux auteurs d’un article publié l’année précédente dans la revue, en reconnaissance de la qualité exceptionnelle de l’innovation méthodologique et de la présentation de l’article.
Meixi Chen a obtenu son doctorat et sa maîtrise en mathématiques (spécialisation en statistique) à l'Université de Waterloo, après un baccalauréat en mathématiques et statistique à l'Université de Toronto. Ses travaux de thèse portaient sur le calcul bayésien approximatif et ses applications aux données météorologiques et biologiques.
Reza Ramezan est professeur agrégé, filière enseignement, et mène un programme de recherche actif au sein du Département de statistique et de sciences actuarielles de l'Université de Waterloo. Avant de rejoindre Waterloo, il était professeur adjoint de statistique à l'Université d'État de Californie à Fullerton. Il a obtenu son doctorat en statistique à l'Université de Waterloo en 2014. Ses principaux domaines de recherche se situent à l'intersection de la statistique et des neurosciences, et portent notamment sur les processus ponctuels multivariés, les méthodes statistiques computationnelles et de haute dimension, la modélisation multi-échelle, l'apprentissage automatique et les modèles à variables latentes.
Martin Lysy est professeur agrégé et directeur de l'Unité de conseil en statistique et de recherche par sondage au sein du Département de statistique et de sciences actuarielles de l'Université de Waterloo. Ses travaux de recherche portent notamment sur la modélisation des processus biophysiques et spatio-temporels, ainsi que sur les méthodes computationnelles en statistique et en apprentissage automatique.
« L’article intitulé « Fast and scalable inference for spatial extreme value models » par Meixi Chen, Reza Ramezan, and Martin Lysy est reconnu pour sa créativité, son excellence et sa présentation.
Cet article développe un cadre d'inférence bayésienne efficace sur le plan computationnel pour les modèles spatiaux de valeurs extrêmes généralisées, en combinant l'approximation de Laplace avec une technique de covariance spatiale induisant la parcimonie. La méthodologie proposée permet d'obtenir une bien plus grande évolutivité tout en conservant une grande précision d'inférence, comme le démontrent des études de simulation et une application sur des données réelles. »