Évènements

Avis de Soutenance Monsieur Ian MENEGHEL DANILEVICZ

Date : 15/12/2022
Catégorie(s) :

Soutiendra publiquement ses travaux de thèse intitulés

Modèles linéaires mixtes robustes, méthodes alternatives de régression quantile pour les données de panel, et régression quantile avec adaptive LASSO pour les effets fixes

dirigés par Monsieur Pascal BONDON et Monsieur Valdério Anselmo REISEN
Cotutelle avec l’université « Université du Minas Gerais » (BRESIL)

Soutenance prévue le jeudi 15 décembre 2022 à 14h00
Lieu :   CentraleSupélec, 3 rue Joliot Curie, 91190, Gif-sur-Yvette
Salle : D2.07 (Petit Conseil), Bâtiment Breguet
Lien : https://teams.microsoft.com/l/meetup-join/19%3ameeting_MWU4NGEwYmYtYTgyOS00M2YxLTkyMzMtMDlkZjViZTJjN2Ji%40thread.v2/0?context=%7b%22Tid%22%3a%2261f3e3b8-9b52-433a-a4eb-c67334ce54d5%22%2c%22Oid%22%3a%22b2a88965-ad13-4cda-9209-fc8c1273d214%22%7d

Composition du jury proposé

M. Stéphane CHRÉTIEN Université Lyon 2,  Rapporteur
M. Paulo CAÑAS RODRIGUES Federal University of Bahia Rapporteur
Mme Glaura DA CONCEICAO FRANCO Universidade Federal de Minas Gerais Examinatrice
Mme Maria Helena  MOURIÑO SILVA NUNES Universidade de Lisboa Examinatrice
M. Arthur TENENHAUS CentraleSupélec – Université Paris-Saclay Examinateur
M. Pascal BONDON CNRS/Université Paris-Saclay Directeur de thèse
M. Valdério Anselmo REISEN Université Fédérale d’Espirito Santo Directeur de thèse
Mots-clés :Données longitudinales,régression quantile,M-estimation,valeurs aberrantes,sélection de variables,LASSO,
Résumé :  
Cette thèse est constituée d’un recueil de trois articles. Le premier article vise à évaluer l’association statistique entre l’exposition à la pollution de l’air et les affections respiratoires chez les enfants et les adolescents marqués mensuellement. Un modèle linéaire mixte robuste combiné à une analyse en composantes principales robuste est proposé pour gérer la multicolinéarité entre les covariables et l’impact des observations extrêmes sur les estimations. Le second article analyse les données de panel de modèles à effets fixes avec trois fonctions de perte différentes. Pour éviter que le nombre de paramètres n’augmente avec la taille de l’échantillon, nous avons proposé de pénaliser chaque méthode de régression par LASSO. Nous avons établi les propriétés asymptotiques des nouvelles techniques. Nous testons les performances des méthodes avec des données de panel économiques réelles de l’OCDE. Le but du troisième article est de contraindre simultanément les interceptions individuelles et les covariables explicatives. Le LASSO simple et adaptable effectue la réduction de dimensionnalité et la sélection de modèles. Nous avons observé la précision des nouvelles méthodes avec un ensemble de données de cohorte, qui présente une dimensionnalité modérée.