Canada Spends Logo

Explore our Budget 2026 analysis

Grant: Alliance Grants

Université de Montréal

$45,000.00

High-dimensional hierarchical data with complex dependence structures

FY 2023-24

Summary
The principal aim of this research project is to predict an outcome based on covariables when data are grouped at multiple levels or possesses a predefined hierarchical structure. Such data naturally arises in various research fields. For instance, the impact of a heatwave on an individual's health varies, influenced by factors such as their place of residence, financial resources, health-related variables, etc. Indeed, for the same health conditions, residents of underprivileged neighborhoods are more likely to be affected by heatwaves than those in affluent neighborhoods. Since weather conditions are local and non-uniform, geographical location is also significant. Consequently, dividing the target population into multiple groups is appropriate based on various factors. The most frequently employed statistical tool to analyze this type of data is a multilevel linear regression, which provides elegant means to estimate a factor's effect on the outcome variable. In the previous example, this approach makes it possible to measure the impact of residing in a specific neighborhood on residents' health. Nevertheless, this approach, owing to its simplicity, fails to accommodate the intricate interplay of variables. Over the past decade, regression methods based on dependence functions, called copulas, have emerged with highly promising results. This project aims to utilize copulas for modeling the dependence between an outcome variable, covariates, and the dependency induced by the factors. Copulas will also be employed to introduce dependence into the hierarchical structure. The primary goal of this research project is to develop inference methods for copula regression in high-dimensional hierarchical data. Our main target applications are in the fields of health, environmental studies, and climate change. Furthermore, we will create libraries using the open-source statistical software R to enhance the accessibility or our developed methods. Le but principal de ce projet de recherche est de prédire une variable d'intérêt en fonction de covariables, lorsque les données sont groupées en multiniveau ou lorsqu'elles ont une structure hiérarchique prédéfinie. Ce genre de données apparaît naturellement dans plusieurs domaines de recherche. Par exemple, l'impact d'une vague de chaleur n'a pas le même effet sur la santé des habitants, car cela peut dépendre de plusieurs facteurs comme le lieu de résidence, les moyens financiers, des variables sanitaires, etc. En effet, pour des mêmes conditions de santé, les habitants d'un quartier défavorisé devraient être affectés plus durement par des vagues de chaleur que ceux de quartiers aisés. Comme les conditions météorologiques sont locales et non-homogènes, la localisation géographique est aussi importante. Il est donc naturel de séparer la population visée en plusieurs groupes dépendamment de plusieurs facteurs. L'outil statistique le plus utilisé pour analyser ce type de données est la régression linéaire en multiniveau, qui représente une façon élégante d'estimer l'effet d'un facteur sur la variable d'intérêt. Dans l'exemple donné précédemment, en utilisant cette méthode, il est possible de mesurer l'effet d'habiter dans un quartier donné sur la santé des habitants. Cependant, cette méthode, à cause de sa simplicité, ne peut pas tenir compte des relations complexes entre les variables. Au cours de la dernière décennie, des méthodes de régression basées sur des fonctions de dépendance appelées copules ont fait leur apparition, avec des résultats très intéressants. Ce projet de recherche vise à utiliser des copules pour modéliser la dépendance entre la variable d'intérêt, les covariables, ainsi que la dépendance induite par les facteurs. Les copules serviront aussi à introduire de la dépendance dans la structure hiérarchique. Le but principal de ce projet de recherche est de développer des méthodes d'inférence pour la régression par copules pour données hiérarchiques en grandes dimensions. Comme principales applications, nous visons des applications en santé, en environnement et en changements climatiques. De plus, des librairies basées sur le logiciel statistique gratuit R seront construites pour faciliter l'utilisation des méthodes développées.
Program
Alliance Grants
Location
Quebec, Canada
Recipient Type
Academia
Type
Grant
Source
NSERC's Awards Data

As published

Application id
586845-2023
Name nom
Nasri, Bouchra BN
Department département
Médecine sociale et préventive
Organization id
63
Institution établissement
Université de Montréal
Province en
Québec
Province fr
Québec
Country en
CANADA
Country fr
CANADA
Fiscal year exercice financier
2023
Competition year année de concours
2023
Award amount
45000
Program id
ALLRP
Program name en
Alliance Grants
Program name fr
Subventions Alliance
Group en
RESEARCH PARTNERSHIPS
Group fr
PARTENARIATS DE RECHERCHE
Committee code
96
Committee name en
RPP Internal Decision Cttee
Committee name fr
Cté de décision interne - PPR
Area of application code
401
Area of application group en
Environment
Area of application group fr
Environnement
Area of application en
Climate and atmosphere
Area of application fr
Climat et atmosphère
Research subject code
3001
Research subject group en
Statistics and probability
Research subject group fr
Statistical theory
Research subject en
Statistique et probabilité
Research subject fr
Théorie de statistique
Application title
High-dimensional hierarchical data with complex dependence structures
Keyword
Copulas; dependence modelling; Hierarchical data; High-dimensional data; Latent factors; Mixed effect models
Application summary
The principal aim of this research project is to predict an outcome based on covariables when data are grouped at multiple levels or possesses a predefined hierarchical structure. Such data naturally arises in various research fields. For instance, the impact of a heatwave on an individual's health varies, influenced by factors such as their place of residence, financial resources, health-related variables, etc. Indeed, for the same health conditions, residents of underprivileged neighborhoods are more likely to be affected by heatwaves than those in affluent neighborhoods. Since weather conditions are local and non-uniform, geographical location is also significant. Consequently, dividing the target population into multiple groups is appropriate based on various factors. The most frequently employed statistical tool to analyze this type of data is a multilevel linear regression, which provides elegant means to estimate a factor's effect on the outcome variable. In the previous example, this approach makes it possible to measure the impact of residing in a specific neighborhood on residents' health. Nevertheless, this approach, owing to its simplicity, fails to accommodate the intricate interplay of variables. Over the past decade, regression methods based on dependence functions, called copulas, have emerged with highly promising results. This project aims to utilize copulas for modeling the dependence between an outcome variable, covariates, and the dependency induced by the factors. Copulas will also be employed to introduce dependence into the hierarchical structure. The primary goal of this research project is to develop inference methods for copula regression in high-dimensional hierarchical data. Our main target applications are in the fields of health, environmental studies, and climate change. Furthermore, we will create libraries using the open-source statistical software R to enhance the accessibility or our developed methods. Le but principal de ce projet de recherche est de prédire une variable d'intérêt en fonction de covariables, lorsque les données sont groupées en multiniveau ou lorsqu'elles ont une structure hiérarchique prédéfinie. Ce genre de données apparaît naturellement dans plusieurs domaines de recherche. Par exemple, l'impact d'une vague de chaleur n'a pas le même effet sur la santé des habitants, car cela peut dépendre de plusieurs facteurs comme le lieu de résidence, les moyens financiers, des variables sanitaires, etc. En effet, pour des mêmes conditions de santé, les habitants d'un quartier défavorisé devraient être affectés plus durement par des vagues de chaleur que ceux de quartiers aisés. Comme les conditions météorologiques sont locales et non-homogènes, la localisation géographique est aussi importante. Il est donc naturel de séparer la population visée en plusieurs groupes dépendamment de plusieurs facteurs. L'outil statistique le plus utilisé pour analyser ce type de données est la régression linéaire en multiniveau, qui représente une façon élégante d'estimer l'effet d'un facteur sur la variable d'intérêt. Dans l'exemple donné précédemment, en utilisant cette méthode, il est possible de mesurer l'effet d'habiter dans un quartier donné sur la santé des habitants. Cependant, cette méthode, à cause de sa simplicité, ne peut pas tenir compte des relations complexes entre les variables. Au cours de la dernière décennie, des méthodes de régression basées sur des fonctions de dépendance appelées copules ont fait leur apparition, avec des résultats très intéressants. Ce projet de recherche vise à utiliser des copules pour modéliser la dépendance entre la variable d'intérêt, les covariables, ainsi que la dépendance induite par les facteurs. Les copules serviront aussi à introduire de la dépendance dans la structure hiérarchique. Le but principal de ce projet de recherche est de développer des méthodes d'inférence pour la régression par copules pour données hiérarchiques en grandes dimensions. Comme principales applications, nous visons des applications en santé, en environnement et en changements climatiques. De plus, des librairies basées sur le logiciel statistique gratuit R seront construites pour faciliter l'utilisation des méthodes développées.