, pas de modification de significativité, ni du signe des coefficients de régression). C'est par exemple le cas du lien entre la variable explicative « FemEng » et la variable à expliquer « Medic » : ce lien est significativement négatif pour l'ensemble de la population (-0,24), n'est pas significatif pour la sous-population 1 (-0,03) et est significativement négatif pour la sous-population 2 (-0,34). (ii) Dans 30% des cas, cette nouvelle interprétation fait apparaître une significativité pour au moins une sous-population, mais sans changement d'interprétation (i.e. même signe des coefficients de régression). C'est le cas du lien entre la variable explicative « RefLapSani » et la variable à expliquer « Medic » : ce lien n'est pas significatif pour l'ensemble de la population (-0,15), n'est pas significatif pour la sous-population 1 (-0,05) et est significativement négatif pour la souspopulation 2 (-0,22). (iii) Dans 26% des cas, interpréter les liens entre variables par sous-population modifie l'interprétation (i.e., changement de signe des coefficients de régression). C'est par exemple le cas du lien entre la variable explicative « FinBande » et la variable à expliquer « Medic » : ce lien n'est pas significatif pour l'ensemble de la population, il apparaît que : (i) dans 44,4% des cas, interpréter les liens entre variables par sous-population ou sur la population totale, n'amène pas de changement majeur (i.e
, 40 pour la sous-population 1 et à 0,50 pour la sous-population 2), des pistes d'action (simplifiées) pour réduire l'usage des antibiotiques en élevage cunicole peuvent être proposées. Pour la sous-population 1, limiter la présence d'animaux de fin de bande en engraissement (FinBande) et apporter une grande attention à la qualité de l'eau de boisson (CtrEau) sont avec la souche génétique (Souch1) des paramètres importants d'un moindre usage d'antibiotiques par voie, En n'interprétant que les variables dont les coefficients de régression sont les plus élevés (i.e., supérieur à 0
,
, La méthode proposée est appelée régression multibloc sur classes latentes. Elle combine la recherche simultanée de sous-populations au sein des observations, ainsi que de modèles de régression (multibloc) locaux associés à chacune de ces souspopulations. Par conséquent, des facteurs de risque spécifiques à chaque sous-population sont donnés. Cette nouvelle méthode permet d'optimiser les modèles de régression (i.e., amélioration de l'explication et de la prédiction), leurs interprétations (i.e., les marqueurs de risque significatifs peuvent différer selon les sous-populations) et ainsi de conduire à de nouvelles pistes de recherche et d'action. La régression multibloc sur classes latentes proposée présente l'originalité d'autoriser la prédiction de nouvelles observations, nous proposons une nouvelle méthode de régression (multibloc) pour le cas d'une population dont hétérogénéité est inconnue, à la fois dans le nombre de sous-populations pouvant exister, que dans la constitution de celles-ci, 2016.
, Plusieurs pistes de recherche peuvent être explorées. L'extension de cette problématique aux méthodes multiblocs prenant en compte des liens complexes entre blocs de variables (e.g., méthodes rGCCA, THEME, PathComDim) devraient améliorer la prise en compte de la complexité des données et des questions associées à leur analyse statistique. L'extension de la méthode aux liens autres que linéaires (e.g., logistique) devrait permettre une meilleure prise en compte des variables qualitatives, fréquentes en épidémiologie vétérinaire. Ces perspectives, ainsi que l'augmentation du nombre de variables collectées et de la complexité des questions posées, Les perspectives de développement de ces méthodes devraient permettre de nouveaux avancements dans le traitement des données d'épidémiologie vétérinaire
, -Network, cluster and risk factor analyses for porcine reproductive and respiratory syndrome using data from swine sites participating in a disease control program, Prev Vet Med, vol.128, pp.41-50, 2016.
, The equivalence of two extremal problems and its application to the iterative classification of multivariate data, Vortragsausarbeitung, Tagung, Mathematisches Forschungsinstitut Oberwolfach, 1969.
, , 2016.
, -Clusterwise analysis for multiblock component methods, Adv Data Anal Classi, vol.12, issue.2, pp.285-313, 2018.
, Niang N. -Prediction for regularized clusterwise multiblock regression, Appl Stoch Models Bus Ind, vol.34, issue.6, pp.852-867, 2018.
, -Régression typologique et reconnaissance des formes, 1977.
, A maximum likelihood methodology for clusterwise linear regression, J Classif, vol.5, pp.249-282, 1988.
, Rangaswamy A. -A simulated annealing methodology for clusterwise linear regression, Psychometrika, vol.54, issue.4, pp.707-736, 1989.
, Classification et sélection de paramètres sous contraintes, 1976.
, A. -Capturing customer heterogeneity using finite mixture PLS approach, Schmalenbach Bus Rev, vol.54, pp.243-269, 2002.
URL : https://hal.archives-ouvertes.fr/hal-02073505
, Fuzzy clusterwise generalized structured component analysis, Psychometrika, vol.72, pp.181-198, 2007.
, Identification des marqueurs de risqué associés à la consommation d'antibiotiques dans les élevages de lapins, 2011.
, Clusterwise PLS regression on a stochastic process, vol.49, pp.99-108, 2005.
URL : https://hal.archives-ouvertes.fr/hal-01124745
, Clusterwise linear regression, Computing, vol.22, pp.367-373, 1979.
, New developments in classification and data analysis, pp.133-140, 2005.
, REBUS-PLS: a response-based procedure for detecting unit segments in PLS path modeling, Appl Stochastic Models Bus Ind, vol.24, pp.439-458, 2009.
, A mixture likelihood approach for generalized linear models, Journal of Classification, vol.12, issue.1, pp.21-55, 1995.
, Van Mechelen I., Ceulemans E. -Principal covariates clusterwise regression (PCCR): accounting for multicollinearity and population heterogeneity in hierarchically organized data, Psychometrika, vol.82, issue.1, pp.86-111, 2017.