StepMix - Modélisation de données hétérogènes et complexes par le biais de modèles de mélange

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.