Spelling suggestions: "subject:"approche para modèle""
1 |
Évaluation de programmes de prétraitement de signal d'activité électrodermale (EDA)DeRoy, Claudéric 08 1900 (has links)
Lien vers le GitHub contenant tous les outils programmés dans le cadre du mémoire : https://github.com/neurok8050/eda-optimisation-processing-tool / L’activité électrodermale (EDA), particulièrement la skin conductance response (SCR), est un signal psychophysiologique fréquemment utilisé en recherche en psychologie et en neuroscience cognitive. L’utilisation de l’EDA entraîne son lot de défis particulièrement son prétraitement. En effet, encore très peu de recherches effectuent un prétraitement adéquat. Notre objectif est donc de promouvoir l’utilisation du prétraitement du signal SCR et de proposer des recommandations pour les chercheurs en fournissant des données sur l’impact du prétraitement sur la capacité à discriminer les SCR entre deux conditions expérimentales. En utilisant des travaux similaires, nous avons testé les effets de combinaisons de prétraitement utilisant différentes méthodes de filtrage, différentes méthodes de remise à l’échelle, l’inclusion d’une étape de détection automatique des artefacts de mouvement et en utilisant différentes métriques opérationnalistes (le peak-scoring (PS) et l’aire sous la courbe (AUC)) et d’approches par modèle. Enfin, nous avons testé si une seule combinaison de filtrage pourrait être utilisée avec différents jeux de données ou si le prétraitement devrait plutôt être ajusté individuellement à chaque jeu de données. Nos résultats suggèrent que 1) l’inclusion d’une étape de détection automatique des artefacts de mouvements n’affecte pas significativement la capacité à discriminer entre deux conditions expérimentales, 2) l’approche par modèle semble être un peu meilleure à discriminer entre deux conditions expérimentales et 3) la meilleure combinaison de prétraitement semble variée en fonction du jeu de données utilisé. Les données et outils présentés dans ce mémoire devraient permettre de promouvoir et faciliter le prétraitement du signal SCR. / Electrodermal activity (EDA), particularly the skin conductance response (SCR) is a psychophysiological signal frequently used in research in psychology and in cognitive neuroscience. Nevertheless, using EDA comes with some challenges notably in regard to its preprocessing. Indeed, very few research teams adequately preprocess their data. Our objective is to promote the implementation of SCR preprocessing and to offer some recommendations to researchers by providing some data on the effect of preprocessing on the SCR ability to discriminate between two experimental conditions. Based on similar work, we have tested the effect of preprocessing combinations using different filtering methods, different rescaling methods, the inclusion of an automatic motion detection step while using different operationalist metrics (peak-scoring (PS) and area under the curve (AUC)) and different model-based approach metrics. Finally, we tested if only one combination could be used across different datasets or if the preprocessing should be optimized individually to each dataset. Our results show that 1) the inclusion of the automatic motion detection step did not significantly impact the ability to discriminate between two experimental conditions, 2) the model-based approach seems to be slightly better at discriminating between two experimental conditions and 3) the best combination of preprocessing seems to vary between different datasets. The data and tools presented in this master thesis should promote and facilitate SCR signal preprocessing.
|
2 |
Inférence doublement robuste en présence de données imputées dans les enquêtesPicard, Frédéric 02 1900 (has links)
L'imputation est souvent utilisée dans les enquêtes pour traiter la non-réponse partielle. Il est bien connu que traiter les
valeurs imputées comme des valeurs observées entraîne une
sous-estimation importante de la variance des estimateurs
ponctuels. Pour remédier à ce problème, plusieurs méthodes
d'estimation de la variance ont été proposées dans la littérature,
dont des méthodes adaptées de rééchantillonnage telles que le
Bootstrap et le Jackknife. Nous définissons le concept de
double-robustesse pour l'estimation ponctuelle et de variance
sous l'approche par modèle de non-réponse et l'approche par modèle
d'imputation. Nous mettons l'emphase sur l'estimation de la
variance à l'aide du Jackknife qui est souvent utilisé dans la
pratique. Nous étudions les propriétés de différents estimateurs
de la variance à l'aide du Jackknife pour l'imputation par la
régression déterministe ainsi qu'aléatoire. Nous nous penchons
d'abord sur le cas de l'échantillon aléatoire simple. Les cas de
l'échantillonnage stratifié et à probabilités inégales seront
aussi étudiés. Une étude de simulation compare plusieurs méthodes
d'estimation de variance à l'aide du Jackknife en terme de biais
et de stabilité relative quand la fraction de sondage n'est pas
négligeable. Finalement, nous établissons la normalité
asymptotique des estimateurs imputés pour l'imputation par
régression déterministe et aléatoire. / Imputation is often used in surveys to treat item nonresponse. It
is well known that treating the imputed values as observed values
may lead to substantial underestimation of the variance of the
point estimators. To overcome the problem, a number of variance
estimation methods have been proposed in the literature, including
appropriate versions of resampling methods such as the jackknife
and the bootstrap. We define the concept of doubly robust point
and variance estimation under the so-called nonresponse and
imputation model approaches. We focus on jackknife variance
estimation, which is widely used in practice. We study the
properties of several jackknife variance estimators under both
deterministic and random regression imputation. We first consider
the case of simple random sampling without replacement. The case
of stratified simple random sampling and unequal probability
sampling is also considered. A limited simulation study compares
various jackknife variance estimators in terms of bias and
relative stability when the sampling fraction is not negligible.
Finally, the asymptotic normality of imputed estimator is
established under both deterministic and random regression
imputation.
|
3 |
Inférence doublement robuste en présence de données imputées dans les enquêtesPicard, Frédéric 02 1900 (has links)
L'imputation est souvent utilisée dans les enquêtes pour traiter la non-réponse partielle. Il est bien connu que traiter les
valeurs imputées comme des valeurs observées entraîne une
sous-estimation importante de la variance des estimateurs
ponctuels. Pour remédier à ce problème, plusieurs méthodes
d'estimation de la variance ont été proposées dans la littérature,
dont des méthodes adaptées de rééchantillonnage telles que le
Bootstrap et le Jackknife. Nous définissons le concept de
double-robustesse pour l'estimation ponctuelle et de variance
sous l'approche par modèle de non-réponse et l'approche par modèle
d'imputation. Nous mettons l'emphase sur l'estimation de la
variance à l'aide du Jackknife qui est souvent utilisé dans la
pratique. Nous étudions les propriétés de différents estimateurs
de la variance à l'aide du Jackknife pour l'imputation par la
régression déterministe ainsi qu'aléatoire. Nous nous penchons
d'abord sur le cas de l'échantillon aléatoire simple. Les cas de
l'échantillonnage stratifié et à probabilités inégales seront
aussi étudiés. Une étude de simulation compare plusieurs méthodes
d'estimation de variance à l'aide du Jackknife en terme de biais
et de stabilité relative quand la fraction de sondage n'est pas
négligeable. Finalement, nous établissons la normalité
asymptotique des estimateurs imputés pour l'imputation par
régression déterministe et aléatoire. / Imputation is often used in surveys to treat item nonresponse. It
is well known that treating the imputed values as observed values
may lead to substantial underestimation of the variance of the
point estimators. To overcome the problem, a number of variance
estimation methods have been proposed in the literature, including
appropriate versions of resampling methods such as the jackknife
and the bootstrap. We define the concept of doubly robust point
and variance estimation under the so-called nonresponse and
imputation model approaches. We focus on jackknife variance
estimation, which is widely used in practice. We study the
properties of several jackknife variance estimators under both
deterministic and random regression imputation. We first consider
the case of simple random sampling without replacement. The case
of stratified simple random sampling and unequal probability
sampling is also considered. A limited simulation study compares
various jackknife variance estimators in terms of bias and
relative stability when the sampling fraction is not negligible.
Finally, the asymptotic normality of imputed estimator is
established under both deterministic and random regression
imputation.
|
Page generated in 0.0818 seconds