Sélection de variables avec lasso dans la régression logistique conditionnelle - Inserm - Institut national de la santé et de la recherche médicale Access content directly
Preprints, Working Papers, ... Year : 2010

Sélection de variables avec lasso dans la régression logistique conditionnelle

Abstract

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.
Embargoed file
Embargoed file
Visibility date is undetermined
Loading...

Dates and versions

inserm-00541532 , version 1 (30-11-2010)

Identifiers

  • HAL Id : inserm-00541532 , version 1

Cite

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

Collections

INSERM
317 View
2 Download

Share

Gmail Facebook X LinkedIn More