1,721,417 research outputs found
Closed Skew Normal Stochastic frontier Models for Panel data
No full textWe introduce a stochastic frontier model for longitudinal
data where a subject random effect coexists with a time independent
random inefficiency component and with a time dependent random
inefficiency component. The role of the closed skew normal
distribution in this kind of modeling is stressed
Using the Autodependogram in Model Diagnostic Checking
No full textIn this chapter the autodependogram is contextualized in model diagnostic checking for nonlinear models by studying the lag-dependencies of the residuals. Simulations are considered to evaluate its effectiveness in this context. An application to the Swiss Market Index is also provided
On Gaussian Compound Poisson Type Limiting Likelihood Ratio Process
No full textDifferent change-point type models encountered in statistical inference for stochastic processes give rise to different limiting likelihood ratio processes. Recently it was established that one of these likelihood ratios, which is an exponential functional of a two-sided Poisson process driven by some parameter, can be approximated (for sufficiently small values of the parameter) by another one, which is an exponential functional of a two-sided Brownian motion. In this chapter we consider yet another likelihood ratio, which is the exponent of a two- sided compound Poisson process driven by some parameter. We establish that the compound Poisson type likelihood ratio can also be approximated by the Brownian type one for sufficiently small values of the parameter. We equally discuss the asymptotics for large values of the parameter
A regionalization method for spatial functional data based on variogram models: an application on environmental data
No full text"\"This paper proposes a Dynamic Clustering Algorithm as a new regionalization. method for spatial functional data. The method looks for the best partition. optimizing a criterion of spatial association among functional data. Furthermore it. is such that a summary of the variability structure of each cluster is discovered. The. performance of the proposal is checked through an application on real data.\"
Analyse stochastique des systèmes temps-réel stationnaires
No full textDans cette thèse, nous définissons la notion de système temps réel probabiliste stationnaire dans lesquels les temps inter-arrivées sont décrits par des variables aléatoires identiquement distribuées. Pour ces systèmes, nous prouvons une condition nécessaire d'ordonnançabilité et ainsi nous définissons un domaine de faisabilité, en tenant compte de l'incertitude présente dans l'exécution des tâches. Ensuite, nous approximons la loi des temps de réponse de ces systèmes avec la famille des lois inverse Gaussienne et nous introduisons une méthode d'inférence pour ces temps de réponse des systèmes probabilistes temps réel. Enfin, nous étudions le problème de l'ordonnancement en ligne multiprocesseur des systèmes probabilistes temps réel, en nous concentrant sur l'utilisation des probabilités de dépassement de délai comme métrique. Nous proposons une nouvelle classe d'algorithmes d'allocation basée sur les probabilités de dépassement de délai. L'algorithme proposé introduit la possibilité d'incorporer l'inférence de données dans le processus de décision d'ordonnancement. Nous évaluons la performance de notre algorithme par des simulations approfondies, et nos résultats démontrent son efficacité à étendre le domaine de faisabilité des allocations de processeurs tout en maintenant des probabilités de dépassement de délai équivalentes à celles des algorithmes actuels. Nous discutons également des défis et des possibilités de recherche future dans le domaine des systèmes probabilistes en temps réel et de l'ordonnancement multiprocesseur.In this thesis, we define the notion of stationary probabilistic real-time systems in which the inter-arrival times are described by identically distributed random variables. For these systems, we prove a necessary condition of schedulability as well as a feasibility domain, taking into account the uncertainty within the execution of tasks. Then, we approximate the distributions of response times for these systems using inverse Gaussian distributions and we introduce an inference method for these response times of real-time probabilistic systems. Finally, we study the problem of online multiprocessor scheduling of real-time probabilistic systems, focusing on the use of deadline miss probabilities as a metric. We propose a new class of allocation algorithms based on deadline miss probabilities. The proposed algorithm introduces the possibility of incorporating data inference into the scheduling decision process. We evaluate the performance of our algorithm through extensive simulations. Our results show its effectiveness in extending the feasibility domain of processor allocations while maintaining deadline miss probabilities equivalent to existing algorithms. We also discuss challenges and opportunities for future research in the area of real-time probabilistic systems and multiprocessor scheduling
Surveillance of infectious diseases using drug sales data in pharmacies
No full textLe suivi des ventes de médicaments en pharmacies est un outil de surveillance qui s’est développé au début des années 2000 pour la surveillance des maladies infectieuses et la détection d’épidémies. Ces données présentent en effet de nombreux avantages pour la surveillance de par le volume important, l’exhaustivité et la rapidité d’obtention des données collectées de façon automatique. L’objectif de cette thèse était de déterminer l’intérêt du suivi des ventes de médicaments pour la surveillance et la prévention des maladies infectieuses en France. Les données de ventes analysées dans cette thèse sont issues d’un échantillon de 3004 pharmacies en France Métropolitaine, développé par la société Celtipharm. Trois axes de recherche ont été développés dans cette thèse : Nous avons tout d’abord réalisé une revue systématique de la littérature sur la surveillance des maladies infectieuses à partir des ventes de médicaments. Vingt-sept articles ont été analysés et les résultats montrent que le suivi des ventes de médicaments est un outil valide pour la surveillance et la détection de la gastro-entérite et de la grippe. De plus, les médicaments achetés sans ordonnance ont le potentiel d’émettre une alerte plus précoce que les systèmes de surveillance traditionnels. Des études pourraient être développées pour la surveillance d’autres maladies infectieuses. Notre deuxième étude avait pour objectif d’évaluer l’intérêt du suivi des ventes de médicaments pour la détection des épidémies saisonnière de gastro-entérites en France. Les ventes de médicaments indiqués en cas de gastro-entérite ont été comparées au nombre de cas vus en consultation entre 2008 et 2013. La méthode de Serfling a été utilisée pour détecter les périodes épidémiques. Les cinq épidémies saisonnières ont pu être détectées à partir des ventes de médicaments, sans fausse alerte. De plus, les médicaments non-prescrits ont permis une détection précoce des épidémies, en moyenne 2,25 semaines plus tôt que les données de référence. La troisième étude a porté sur l’estimation de la couverture vaccinale (CV) contre la grippe et le rotavirus à partir des ventes de vaccins en pharmacies. Nous avons pu estimer la couverture vaccinale grippe chez l’ensemble de la population, et avons développé une méthode pour estimer en temps-réel la CV dans la population cible des plus de 65 ans. Il n’existe actuellement pas d’estimation de la CV rotavirus en France car le vaccin n’est pas remboursé, et nos analyses ont permis d’apporter une information sur cette couverture depuis 2008. Les études développées dans cette thèse ont permis de démontrer que le suivi des ventes de médicaments était un outil valide et utile pour la surveillance des maladies infectieuses. Ses intérêts principaux résident dans la rapidité d’obtention des données qui offre la possibilité de déclencher rapidement une alerte et l’obtention de données de ventes de médicaments non-remboursés qui permettent d’avoir des informations sur des pathologies légères ou les premiers symptômes de maladies.Drug sales data analysis is a tool that has been developed in the early 2000s for infectious diseases surveillance and outbreak detection. These data present indeed many advantages for disease surveillance: the large volume and the completeness of the data, the rapidity to obtain the data automatically collected from pharmacies. The objective of this thesis was to determine the value of drug sales analysis for infectious disease surveillance in France. Sales data analyzed in this thesis were collected from a sample of 3,004 pharmacies in Metropolitan France, set up by the company Celtipharm. Three research axes have been developed in this thesis: We first did a systematic literature review on the surveillance of infectious diseases based on drug sales data. Twenty-seven articles have been analyzed and results showed that drug sales data analysis is a valid tool for the surveillance and outbreak detection of gastroenteritis and influenza. Besides, over-the-counter (OTC) drugs have the potential to detect outbreaks earlier than traditional surveillance data. Further studies could be developed for other infectious diseases. The second study focused on the detection of seasonal gastrointestinal disease outbreak in France based on drug sales data. Drug sales data have been compared to the number of cases reported by a network of GPs between 2008 and 2013. The Serfling method was used to detect epidemic periods in the times series. The five seasonal epidemic periods have been detected based on drug sales data, without false alert. Moreover, non-prescribed drugs allowed the detection of outbreaks on average 2.25 weeks earlier than reference data. The third study focused on the estimation of vaccination coverage (VC) against influenza and rotavirus using vaccine sales in pharmacies. We estimated the influenza vaccination coverage in the whole population and developed a method to estimate the VC in real time in the target population of the ≥ 65 years old. There is no estimation of rotavirus vaccination coverage in France as the vaccine is not reimbursed and we were able to estimate vaccination coverage since 2008 based on vaccine sales. The studies developed in this thesis showed that drug sales data analysis is a valid and useful tool for infectious disease surveillance. The main interests of this method are the rapidity to obtain the data that allows early outbreak detection and the collection of non-prescribed drugs that can reflect mild diseases or the first symptoms of a disease
Learning to bid : rare events prediction and auction policy study
No full textCette thèse porte sur l'amélioration des campagnes enchères pour l'affichage publicitaire en ligne. Nous considérons le problème à travers deux grandes questions : la prédiction de la probabilité de clic permettant d'obtenir une estimation de la valeur d'un affichage, et l'optimisation des enchères qui doit, en se basant sur cette estimation, gérer les montants des ordres et le budget afin d'obtenir le maximum de clics possibles.Les clics sur des publicités en ligne sont des événements rares. La prédiction de ce type d'événements requière l'utilisation de modèles et de fonctions d'évaluation spécifiques. Nous étudions ces performances sous plusieurs fonctions d'évaluation nous permettant de montrer certains biais induits par les mesures de performances classiques. Nous présentons une mesure de performance spécifique au RTB permettant de corriger les biais liés aux événements rares.Nous étudions les performances de plusieurs stratégies d'enchère et montrons que l'apprentissage par renforcement n'apporte pas d'amélioration significative par rapport aux autres approches entre autre à cause des problèmes de convergence de ce type d'approche notamment dues à la formulation des états du processus de décision markovien.Nous présentons une étude sur la convergence de l'apprentissage par renforcement et l'apprentissage de la formulation des états. Nous explorons l'utilisation d'autoencoders afin de synthétiser une formulation des états qui permettrait une meilleure convergence de l'apprentissage par renforcement.This thesis focuses on the improvement of real-time bidding for display advertising. We consider the problem through two main issues: the prediction of clicks probability and the bid optimization which, based on this estimate, should regulate the bids and the budget in order to maximize the number of clicks.Clicks on online ads are rare events. Predicting this type of event requires the use of specific models and evaluation functions. We study these performances under several evaluation functions allowing us to show some biases induced by classical performance measures and models. We present a performance measure specific to RTB that corrects the biases related to rare events.We study the performance of several auction strategies and show that reinforcement learning does not bring significant improvement over other approaches, among other reasons because of convergence problems of this type of approach, notably due to the formulation of the states of the Markov decision process.We present a study on the convergence of reinforcement learning and state formulation learning. We explore the use of autoencoders in order to synthesize a state formulation that would allow a better convergence of reinforcement learning
Long Memory in Integrated and Realized Variance
No full textThe long memory properties of the integrated and realized volatility
are investigated under the assumption that the instantaneous volatility is driven by a fractional Brownian motion. The equality of their long memory degrees is proved in the ideal situation when prices are observed continuously. In this case, the spectral density of the integrated and realized volatility coincide
Influence function for robust phylogenetic reconstruction
No full textPhylogenies in short, are the most convenient way to describe the relationship between different species and are widely used in several fields of biology: comparative genomics, epidemiology, conservation biology, etc. However, most inferences drawn from phylogenies are accurate only if the reconstructed phylogeny itself is accurate. For a given reconstruction bias, robust phylogenies are preferred to non robust ones. We are concerned here with the loss of robustness induced by outliers. One way to mitigate this loss is to detect and remove outliers from the dataset. We advocate the use of empirical influence functions to detect influent characters and taxa, which are prone to be outliers, and their removal from the data set to build robust phylogenies. Three data sets (Zygomycetes, placental mammals, T-box gene family) show that maximum likelihood phylogenies are not robust and that removing as few as a handful of outliers can significantlyincrease the robustness of a tree, as measured by average bootstrap values
- …
