Sélection de variables avec lasso dans la régression logistique conditionnelle : Régression sparse pour des données appariées

Marta Avalos 1, *
Résumé : Nous proposons une procédure de sélection de modèle dans le cadre des études cas-témoin appariées et, plus précisément, pour la régression logistique conditionnelle. La méthode se base sur une pénalisation de type L1 des coefficients de régression dans la vraisemblance conditionnelle. Cette pénalisation, permettant d'éliminer de façon automatique les variables considérées non pertinentes, est particulièrement adaptée aux problèmes où le nombre de variables explicatives est élevé (par rapport au nombre d'événements) ou en cas de colinéarité. Des méthodes de rééchantillonnage sont appliquées pour le choix du terme de régularisation ainsi que pour l'évaluation de la stabilité du modèle sélectionné. La mise en oeuvre de la méthode est illustrée par deux exemples.
Type de document :
Pré-publication, Document de travail
2010
Liste complète des métadonnées

Littérature citée [33 références]  Voir  Masquer  Télécharger

http://www.hal.inserm.fr/inserm-00541532
Contributeur : Marta Avalos <>
Soumis le : mardi 30 novembre 2010 - 17:48:30
Dernière modification le : mercredi 29 novembre 2017 - 14:54:30
Document(s) archivé(s) le : vendredi 2 décembre 2016 - 20:28:35

Fichier

 Accès restreint
Fichier visible le : jamais

Connectez-vous pour demander l'accès au fichier

Identifiants

  • HAL Id : inserm-00541532, version 1

Collections

Citation

Marta Avalos. Sélection de variables avec lasso dans la régression logistique conditionnelle : Régression sparse pour des données appariées. 2010. 〈inserm-00541532〉

Partager

Métriques

Consultations de la notice

131