Skip to Main content Skip to Navigation
Preprints, Working Papers, ...

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.
Complete list of metadatas

Cited literature [33 references]  Display  Hide  Download

https://www.hal.inserm.fr/inserm-00541532
Contributor : Marta Avalos <>
Submitted on : Tuesday, November 30, 2010 - 5:48:30 PM
Last modification on : Wednesday, November 29, 2017 - 2:54:30 PM
Long-term archiving on: : Friday, December 2, 2016 - 8:28:35 PM

File

 Restricted access
To satisfy the distribution rights of the publisher, the document is embargoed until : jamais

Please log in to resquest access to the document

Identifiers

  • 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⟩

Share

Metrics

Record views

321