StepMix - Modélisation de données hétérogènes et complexes par le biais de modèles de mélange généralisés : présentation du package et de ses applications en sciences sociales
La popularité croissante des modèles de mélanges généralisés s’explique en partie par le fait que de nombreux concepts en sciences sociales et du comportement ne peuvent pas être observés directement, comme l'existence de sous-groupes au sein d'une population. En s'appuyant sur les patrons de réponses à des ensembles d’indicateurs, les modèles de mélange (p. ex., analyse de classes/profils latents) offrent une solution intuitive à de nombreuses questions supposant l'existence de sous-groupes au sein d'une population.
Cette présentation introduira les chercheurs au clustering non supervisé (inductif) basé sur des modèles et la modélisation de mélanges généralisés de données continues et catégorielles. Elle fera également un survol de l’état actuel des connaissances sur les approches en étapes permettant de lier les modèles de mélange à des variables externes (covariables et variables dépendantes distales). Un court exemple de modélisation de groupes latents et d’analyse de variables externes sera ensuite présenté avec la nouvelle librairie StepMix. Nous discuterons des capacités de StepMix (gestion de valeurs manquantes, bootstrap non paramétrique, utilitaires de simulation, etc.) et mettrons en évidence l’importance d’avoir recours aux approches robustes qui permettent l'inférence dans des contextes semi-supervisés et non supervisés.
CONFÉRENCIER ET CONFÉRENCIÈRE
Félix Laliberté est candidat à la maîtrise en sociologie à l’Université de Montréal sous la direction d’Éric Lacourse et la codirection de Roxane de la Sablonnière. Son mémoire vise à identifier une typologie de contestataires des mesures sanitaires durant la pandémie de Covid-19 et de modéliser inductivement leurs pratiques de contestation ainsi que des transitions prototypiques de pratiques contestataires par le biais de modèles de mélange.
Chargé de coordination en modalisation de données complexes pour le Réseau Québécois COVID – Pandémie (RQCP) et membre du Comité intersectoriel étudiant de l’Institut de valorisation des données (IVADO), il est particulièrement intéressé aux épistémologies statistiques sous-jacentes à différents modèles de classification (apprentissage automatique supervisé et non supervisé, statistiques classiques, etc.) et la façon dont ces modèles permettent de faire émerger de nouvelles questions de recherche en sciences sociales.
Clémentine Courdi est étudiante au doctorat en sociologie à l’Université de Montréal sous la direction d’Éric Lacourse. Titulaire d’une bourse de doctorat du CRSH, sa recherche porte sur les inégalités d'accès aux soins et services de santé mentale chez les adolescents dans une perspective longitudinale.
Dans les dernières années, elle a contribué régulièrement à divers projets de recherche mené par Éric Lacourse portant notamment sur l'utilisation de techniques d'apprentissage automatique dans R en sciences sociales. Elle a également participé à plusieurs projets au sein du groupe de recherche Changements sociaux et identité sous la direction de Roxane de la Sablonnière, et collabore régulièrement avec l’équipe de Véronique Dupéré sur des projets concernant la transition à l’âge adulte.
Clémentine Courdi est actuellement chargée de cours en sociologie à l'Université de Montréal et enseigne le cours SOL2020 – Statistiques sociales avancées. Elle a aussi contribué à conceptualiser et développer le cours en accès libre Introduction à la science des données sociales avec R, disponible sur la plateforme EduLib.
