Permettez-moi de commencer par une excellente nouvelle. Grâce aux efforts soutenus et à l’enthousiasme débordant de Vincent Goulet, professeur à l’Université Laval, La revue canadienne de statistique dispose désormais d’un nouveau gabarit LaTeX moderne. Adaptée au français et à l’anglais, la classe cjs-rcs-article a sa propre page d’accueil, conçue par Vincent, sur CTAN :

https://cjs-rcs.gitlab.io/

Vous apprécierez la flexibilité de ce nouvel outil, qui permet d’enlever en un tournemain les noms des auteur.e.s ou la signature de la revue aux fins d’évaluation, d’archivage ou autres. Si vous prévoyez assister au congrès annuel de la SSC, ne manquez pas la présentation que Vincent y fera pour vous familiariser avec les moult fonctionnalités de cette classe qui donneront plus de lustre à vos articles tout en conférant un caractère quasi-ludique au processus de composition.

Au nom de toute l’équipe de la RCS, j’adresse mes plus vifs remerciements à Vincent pour la conception, la programmation, la documentation et la maintenance du nouveau gabarit, ainsi qu’à mon adjointe, Julie Falkner, pour ses multiples suggestions et son soutien constant. Je remercie également Wiley, et tout particulièrement l’équipe technique dirigée par Julio Espin, pour son ouverture d’esprit et ses efforts d’intégration du nouveau gabarit à la production, de même que la SSC, dont le soutien financier était indispensable à la réalisation de ce projet d’envergure.

En cette fin d’année, je souhaite en outre saluer les directrices de production actuelle et passée, Llwellyn Armstrong et Bouchra Nasri, mon adjointe Julie, ainsi que toutes les personnes qui écrivent des articles, les critiquent, les jugent et les révisent linguistiquement pour leurs précieuses contributions à la RCS. Je suis en outre redevable à Belkacem Abdous pour la traduction des résumés et à mon conjoint, Christian Genest, pour son aide en français. Ce généreux effort collectif est essentiel au succès de la revue. Je vous encourage à la soutenir en lui soumettant des textes et en citant les articles qui y ont récemment été publiés chaque fois que vous le pouvez.

Et maintenant, de but en blanc, voici un sommaire du numéro de décembre 2023, déjà disponible en ligne sur le site de la revue. Il compte 14 articles.

Les deux premiers papiers portent sur la modélisation de réseaux. Dans le premier, Fan, Jiang, Yan et Zhang [1] s’intéressent à l’hétérogénéité des degrés de réseaux d’affiliation composés d’acteurs et d’événements liés entre eux par des arêtes. Ils proposent pour ce faire une classe de modèles graphiques à deux couches dont ils estiment les paramètres par une méthode de moments. Dans le second, Jiao, Frostig et Ombao [2] tentent d’identifier les caractéristiques distinguant les conditions neurologiques sous lesquelles des potentiels de champ local ont été enregistrés dans le cerveau. Ces potentiels étant d’espérance nulle, la structure du second moment est exploitée pour bâtir un classificateur fonctionnel des profils de variation et identifier de manière adaptative les fonctions discriminantes qui rendent compte des principaux écarts observés.

Les deux articles suivants concernent les modèles de régression généralisés. Shen et Wu [3] offrent une procédure automatisée d’identification de la structure de modèles additifs généralisés qui étend l’approche pour modèles additifs de Wu et Stefanski. Leur méthode permet de repérer les prédicteurs ayant des effets non linéaires ou polynomiaux jusqu’à un degré donné. Quant à eux, Hossain, Mandal et Lac [4] améliorent l’inférence pour les modèles partiellement linéaires généralisés au moyen de covariables inactives servant d’information auxiliaire dans la formation d’estimateurs de prétest et à rétrécissement à la Stein.

Quatre articles sont consacrés à divers problèmes de test. Huang, Liu, Zhou et Feng [5] étudient les tests de localisation à deux échantillons à partir de données dont la dimension peut surpasser de beaucoup la taille de l’échantillon; ils identifient un test de signes spatiaux pondérés localement le plus puissant dont le poids est proportionnel à la réciproque de la norme. Les tests à deux échantillons pour les données multivariées sont également au cœur des travaux de Wang, Fan et Wang [6], axés sur des situations complexes pour lesquelles les espaces euclidien ou sphérique habituels sont insuffisants. Leur méthodologie s’appuie sur une divergence hyperbolique ancrée dans la géométrie hyperbolique. Chen, Gong et Wang [7] développent des tests conjoints pour les fonctions de dérive et de volatilité dans les modèles de diffusion. Fondées sur des processus empiriques, leurs procédures de type Kolmogorov-Smirnov et Cramér-von Mises peuvent expliquer les différents taux de convergence des estimateurs de la dérive et de la volatilité. Enfin, Derumigny, Fermanian et Min [8] examinent le problème de tester la constance de la copule d’une loi conditionnelle en fonction du ou des événements conditionnants. Cette question s’apparente à la validation du postulat simplificateur qui sous-tend les populaires modèles de copule en vigne. Sachant le vecteur aléatoire confiné à un ensemble donné, ils élaborent des tests de l’hypothèse d’égalité des taus de Kendall conditionnels.

Les copules interviennent aussi dans les travaux de Koike et Hofert [9], qui caractérisent les transformations de variables aléatoires dont la corrélation de Pearson résultante est une mesure de concordance. Ils en viennent ainsi à étudier des matrices de gammas de Gini généralisés bivariés.

Suivent plusieurs articles sur l’analyse de durées de vie et les données médicales. Pour relever le défi du classement de données censurées à gauche ou à droite aux fins d’inférence basée sur les rangs en régression quantile, Sun et He [10] avancent la notion de score de rang quantile censuré et s’en servent pour développer des tests pour les coefficients de régression quantile à la fois à un niveau donné et sur une région quantile. Wang, He, Ma, Bandyopadhyay et Sinha [11] utilisent des modèles à rapports de cotes semi-paramétriques généralisés avec des effets aléatoires spécifiques aux sujets afin de tenir compte de l’effet de grappe dans des données de statut actuel; l’algorithme de minimisation-maximisation qu’ils développent pour l’estimation permet de traiter séparément les composantes paramétriques et non paramétriques du modèle. Ge, Peng et Tu [12] visent à identifier les patients qui bénéficient d’un traitement donné, ce qui est important en médecine personnalisée. Dans le cas où l’efficacité du traitement est évaluée par des mesures longitudinales et où de nombreuses covariables de base doivent être prises en compte, ils proposent un modèle de seuil linéaire à indice simple généralisé et conçoivent une inférence basée sur des équations d’estimation lissées généralisées. Par ailleurs, les données manquantes sont fréquentes et on doit s’en préoccuper dans les études médicales et autres. Ceci amène Zheng, Zhang et Zhou [13] à examiner le cas où la réponse et certaines valeurs des covariables sont manquantes simultanément et non au hasard. Ils étudient l’identifiabilité de la vraisemblance observée à l’aide de variables instrumentales et estiment à la fois les paramètres d’intérêt et le paramètre de nivellement sans recourir à des données externes.

Le numéro se termine par un article sur la planification d’expérience dans lequel Sun et Zhao [14] étendent la théorie générale de la confusion minimale d’ordre inférieur au cas des plans factoriels fractionnaires à trois niveaux avec des facteurs plus importants pour l’ensemble de la parcelle dans le cadre du système des composantes orthogonales.

Puissent vos lectures être inspirantes et 2024 marquer un renouveau pour tous,

Johanna G. Nešlehová

Rédactrice en chef, La revue canadienne de statistique

Table des matières du numéro de décembre 2023 de La revue canadienne de statistique

1. Asymptotic theory in bipartite graph models with a growing number of parameters by Yifan Fan, Binyan Jiang, Ting Yan, and Yuan Zhang
2. Variation pattern classification of functional data by Shuhao Jiao, Ron D. Frostig, and Hernando Ombao
3. Automatic structure recovery for generalized additive models by Kai Shen and Yichao Wu
4. Pretest and shrinkage estimators in generalized partially linear models with application to real data by Shakhawat Hossain, Saumen Mandal, and Le An Lac
5. A high-dimensional inverse norm sign test for two-sample location problems by Xifen Huang, Binghui Liu, Qin Zhou, and Long Feng
6. A hyperbolic divergence based nonparametric test for two-sample multivariate distributions by Roulin Wang, Wei Fan, and Xueqin Wang
7. Empirical-process-based specification tests for diffusion models by Qiang Chen, Yuting Gong, and Xunxiao Wang
8. Testing for equality between conditional copulas given discretized conditioning events by Alexis Derumigny, Jean-David Fermanian, and Aleksey Min
9. Matrix compatibility and correlation mixture representation of generalized Gini’s gamma by Takaaki Koike and Marius Hofert
10. From regression rank scores to robust inference for censored quantile regression by Yuan Sun and Xuming He
11. Minorize-maximize algorithm for the generalized odds rate model for clustered current status data by Tong Wang, Kejun He, Wei Ma, Dipankar Bandyopadhyay, and Samiran Sinha
12. A generalized single-index linear threshold model for identifying treatment-sensitive subsets based on multiple covariates and longitudinal measurements by Xinyi Ge, Yingwei Peng, and Dongsheng Tu
13. Likelihood identifiability and parameter estimation with nonignorable missing data by Siming Zheng, Juan Zhang, and Yong Zhou
14. General minimum lower-order confounding three-level split-plot designs when the whole plot factors are important by Tao Sun and Shengli Zhao