Finite mixture models for exponential repeated data

Christian Lavergne (1) , Marie-José Martinez (1) , Catherine Trottier (1)

1 VIRTUAL PLANTS - Modeling plant morphogenesis at different scales, from genes to phenotype

Nous nous intéressons à un modèle de mélange pour des données répétées de loi exponentielle. Les composants du mélange traduisent différents états possibles des individus. Pour chacun de ces composants, on modélise la dépendance et l'extra-variabilité dues à la répétition des données par l'introduction d'effets aléatoires. Dans ce modèle de mélange exponentiel mixte, la distribution marginale n'étant pas accessible, l'utilisation de l'algorithme EM n'est pas directement envisageable. Nous proposons alors une première méthode d'estimation des paramètres basée sur une linéarisation spécifique à la loi exponentielle. Nous proposons ensuite une méthode plus générale puisque s'appuyant sur une étape de Metropolis Hastings pour construire un algorithme de type MCEM. Cet algorithme est applicable pour un mélange de modèle linéaires généralisés mixtes quelconques.

Mots clés: Modèle linéaire généralisé; effet aléatoire; modèle de mélange; algorithme EM; algorithme de Metropolis-Hastings

Domaines: Statistiques [math.ST]

Christian Lavergne, Marie-José Martinez, Catherine Trottier. Finite mixture models for exponential repeated data. [Research Report] RR-6119, INRIA. 2007. ⟨inria-00129777v2⟩