Projet 6
NB: Les algorithmes pourront être mis en oeuvre sous Matlab ou sous R selon votre préférance.
Etude stratifiée de la réaction à une drogue modèle hiérarchique
Les données pour cette étude sont disponibles dans le fichier “hw5_data.csv”. Cinq sujets ont été étudiés selon le protocole suivant: on leur a donné à chacun un médicament avec une dose différente pour chacun. On a ensuite
mesure la concentration de ce médicament dans leur plasma concentrations à huit instants successifs après l'administration du médicament. Les trois colonnes du fichier contiennent les variables suivantes: identité du sujet,
temps écoulé depuis l'ingestion et log-concentration dans le plasma.
Il suffit d'afficher sur un même graphe les données pour chaque patient avec en abscisse le temps écoulé et en ordonnée la log-concentration pour se rendre compte que la décroissance est linéaire et suit la même pente pour tous les patients mais que l'ordonnée à l'origine est différente d'un patient à l'autre. C'est pourquoi on utilisera le modèle:
yij = αi + βxij +zij
où yij et xij sont respectivement la log-concentration et le temps écoulé pour la j-ème mesure sur le i-ème patient.
Les zij seront supposés modéliser l'erreur de mesure et seront considérés independants et de loi N (0, σ2 ).
On va supposer des loi a prioir assez permissives sur β et σ2, plus précisément β ∼ N (0, 106 ) et σ2 ∼ IG(.001, .001) où IG est loi loi Gamma Inverse.
On va d'autre part utiliser un modèle hierarchique pour les ordonnées à l'origine en supposant une loi a priori sur α1 , . . . , α5 , de telle sorte que, conditionellement à (α, σα2), α1 , . . . , α5 sont independant N(α, σα2). On prendra comme a priori sur (α, σα2), α∼ N (0, 106 ) et σα2 ∼ IG(.001, .001). On supposera de plus que α, β, σα2 , and σ2 sont conjointement independants.
Ecrire une chaine de Metropolis-Hastings pour estimer les paramètres.
Afficher les trajectoires de la chaine de Markov correspondant a vos simulations pour chaque parametre.
Afficher la fonction d'autocorrélation sur une fenêtre glissante pour chaque paramètre. Commenter.
Afficher un histogramme pour les lois marginales a posteriori des coefficients de régression.
Peut-on dire que la trajectoire d'une des ordonnées à l'origine suit un modèle de type AR(p) ? On fera un test approprié.
Peut-on estimer les mêmes paramètres que lors de l'étude précédente par maximum de vraisemblance ? Expliquer.
Ce projet est inspiré du homework 5 pour le cours ORIE 678 - BAYESIAN STATISTICS AND DATA ANALYSIS donné par David Ruppert à l'université de Cornell.
Processus de Galton Watson
On considère le processus de Galton et Watson vu en cours et décrit ici: http://fr.wikipedia.org/wiki/Processus_de_Galton-Watson
Simuler ce processus pour diverses valeurs de paramètre de facon a mettre en lumière les divers phénomènes qui peuvent apparaitre. Peut-on imaginer qu'il soit possible d'estimer le paramètre par maximum de vraisemblance si l'on dispose de données réelles ?