JdS2012


 English   -  Français  

Résumé de communication



Résumé 245 :

Imputation par régression PLS dans le cadre de modèles linéaires généralisés mixtes
Guyon, Emilie ; Pommeret, denys
Université d'Aix Marseille

On considère le problème des données manquantes dans les modèles linéaires mixtes généralisés lorsque les covariables sont corrélées. Le mécanisme de données manquantes concerne à la fois la variable réponse et les covariables. Il s'agit ici de proposer un algorithme d'imputation combinant l'imputation multiple et la régression PLS (Partial Least Squares). Cette méthode s'articule en deux étapes. Tout d'abord, à partir d'une méthode de linéarisation, le modèle linéaire mixte généralisé est approximé par un modèle linéaire mixte au moyen d'une variable latente. Les composantes PLS associées à cette variable latente sont alors construites. Puis, ces composantes sont introduites dans le modèle linéraire généralisé mixte afin d'imputer les données manquantes sur la variable réponse.