Isabelle Prim-Allaz publie un article dans la revue Statistics and Computing

Félicitations à Isabelle Prim-Allaz pour sa récente publication dans la revue “Statistics and Computing“. Son article, issu d’un travail approfondi mené au cours de la première année de la crise sanitaire liée à la Covid-19, repose sur des données longitudinales collectées sur les pratiques alimentaires des Français. Ces recherches ont conduit à des publications en sciences de gestion dans des revues telles que Management et Avenir, ainsi que la Revue française de gestion.

Par ailleurs, les données recueillies ont également été à l’origine d’un financement de l’ANR pour une thèse de doctorat pluridisciplinaire menée par Francesco Amato au sein du laboratoire d’informatique décisionnelle ERIC. Sous la co-direction des Professeurs Julien Jacques (ERIC) et Isabelle Prim-Allaz (Coactis), cette thèse, financée dans le cadre du projet IADoc@UdL de l’Université de Lyon dans le cadre de l’appel à programmes « contrats doctoraux en intelligence artificielle 2020 » (ANR-20-THIA-0007-01-), vise à proposer de nouvelles méthodes et outils de traitement de données pour aborder les données ordinales longitudinales.

Les résultats de ces travaux ont récemment abouti à une première publication pluridisciplinaire intitulée “Clustering Longitudinal Ordinal Data via Finite Mixture of Matrix-Variate Distributions” dans la revue “Statistics and Computing” (vol. 34, page 81)

📚 Lien vers l’article : https://doi.org/10.1007/s11222-024-10390-z).

Résumé de l’article:

In social sciences, studies are often based on questionnaires asking participants to express ordered responses several times over a study period. We present a model-based clustering algorithm for such longitudinal ordinal data. Assuming that an ordinal variable is the discretization of an underlying latent continuous variable, the model relies on a mixture of matrix-variate normal distributions, accounting simultaneously for within- and between-time dependence structures. The model is thus able to concurrently model the heterogeneity, the association among the responses and the temporal dependence structure. An EM algorithm is developed and presented for parameters estimation, and approaches to deal with some arising computational challenges are outlined. An evaluation of the model through synthetic data shows its estimation abilities and its advantages when compared to competitors. A real-world application concerning changes in eating behaviors during the Covid-19 pandemic period in France will be presented.