Cours et exposésVeuillez trouver ci-après la liste des cours programmés. Cliquez sur un cours pour en avoir les détails. Cours 2 : Séries chronologiques Cours 3 : Introduction to spatial points processes and simulation-based inference Cours 4 : Statistique des valeurs extrêmes Cours 5 : Spatially correlated survival data Cours 6 : Programmation et simulations avec R / Statistique avec R Cours 7 : Processus empiriques et données censurées
Cours 1 : Analyse de survieProf. Philippe Saint-Pierre, Université de Toulouse, FranceL’analyse de survie consiste à étudier des durées avant la survenue d’un événement d’intérêt (décès, guérison ...). L’objectif de cette formation est de présenter les principaux modèles d’analyse des durées de vie. On introduira le contexte ainsi que la notion de censure qui fait la spécificité des données de survie. Des approches non paramétrique (Nelson-Aalen, Kaplan-Meier) et paramétrique (maximum de vraisemblance) seront étudiées pour estimer le risque cumulé ou la fonction de survie. L’effet des covariables sur la survie sera étudié par l’intermédiaire du modèle semi-paramétrique de Cox. On s’intéressera également à la comparaison des fonctions de survie afin de repérer des différences significatives. Enfin, les modèles multi-états qui généralisent les modèles de survie seront discutés. Ces méthodes seront mises en œuvre avec le logiciel R. Cours 2 : Séries chronologiquesProf. Jean-Marc Bardet, Université Paris 1, FranceEn nous appuyant sur des exemples de données climatiques ou environnementales traités avec le logiciel R, nous reviendrons sur certains points clés des séries temporelles :
Cours 3 : Introduction to spatial points processes and simulation-based inferenceProf. Jesper Møller, Department of Mathematical Sciences, Aalborg UniversityA spatial point process is a mathematical model for randomly distributed points in two or higher dimensional space, e.g. the locations of restaurants in a city, trees in a forest, cases of a disease in a country or galaxies in the Universe. The model may be extended to include information about covariates such as soil conditions in case of trees and random "marks" such as "types of points" (e.g. different types of restaurants or species of trees), "size of associated object" (e.g. the diameter of a tree at breastheight) or "direction of associated object" (e.g. the direction from the center of a brain cell to its apex). The course covers the following topics of spatial point pattern analysis.
Handout: Handout_Moller_CIMPA_Togo_2018.pdf Cours 4 : Statistique des valeurs extrêmesProf. Aliou Diop, Université Gaston Berger, SénégalLa prise en compte des événements extrêmes (fortes précipitations, crues, vagues de chaleurs, cours exceptionnels d'actions, charges anormales, ...) est souvent très importante dans la démarche statistique de modélisation du risque. C'est le comportement en queue de distribution qui est alors primordial et non le comportement en partie centrale comme en statistique usuelle. La théorie des valeurs extrêmes (TVE) fournit une base mathématique probabiliste rigoureuse sur laquelle il est possible de construire des modèles statistiques permettant de prévoir l’intensité et la fréquence de ces événements extrêmes. Domaines d'application : gestion du risque, finance/assurance, hydrologie, fiabilité. Les points suivants seront abordés dans le cours :
Cours 5 : Spatially correlated survival dataProf. Sophie Dabo-Niang, Université de Lille 3, FranceSpatial statistics includes any (statistical) techniques which study phenomenons observed on spatial sets. Such phenomenons appear in a variety of fields including survival analysis. Survival data are encountered in various settings such as biomedical, reliability, actuarial science, sociology, public health to name a few, and are part of a class of data called survival or failure time data. Parametric, semi and non-parametric, and regressions type survival models have been the subject of intense research in past decades. The models developed are mainly based on the assumption that units involved are independent of each others. That assumption of independent units may be violated in many situations especially in biomedical studies, epidemiology, and others. In this course, we consider the situation where the units, located at some geographical areas are monitored for the occurrence of some event such as: disease, epidemic, tornadoes, cancer etc.. There exists nuisance parameters such as: environmental factors, social and physical environments, population density, weather conditions out of control of the investigators that can have substantial impact on the occurrence of events for a pair of units via their spatial coordinates. Correct inference on the association of the main covariates with the event-specific survival times relies on careful consideration of underlying spatial correlations especially in region-wide disease studies in epidemiology. The development of parametric, semiparametric and nonparametric survival models that accounts for spatial correlation is therefore of considerable importance. The main driver of this course is to introduce statistical models for spatially correlated survival data. Cours 6 : Programmation et simulations avec R / Statistique avec RProf. Jean-François Dupuy, INSA de Rennes
|
Personnes connectées : 1 | Flux RSS |