Latent Markovian Modelling and Clustering for Continuous Data Sequences
Après l’obtention d’un Master en Statistiques de l’Université de Genève, Zhivko Taushanov a obtenu un Doctorat en Mathématiques appliquées en sciences sociales et humaines, sous la direction du Prof. André Berchtold. Ses intérêts de recherche portent sur la classification et modélisation de données longitudinales à l’aide de modèles de Markov latents. Il a défendu sa thèse en juillet 2018.
Différents types de données longitudinales sont fréquemment utilisés en sciences sociales et divers autres domaines (données de panel, études de cohortes, courbes de croissances, séries temporelles). Cette thèse se concentre sur la modélisation et la classification de séquences de données continues à l’aide d’un modèle Markovien latent. L’inclusion de diverses variables aux niveaux visible et latent améliore la séparation des séquences en classes distinctes. Lorsqu’il est utilisé pour obtenir une classification stricte, ce modèle revient à une mixture Gaussienne, estimée à travers le temps et dont les moyennes et variances prennent en compte la dépendance au fil du temps.
L’estimation des paramètres du modèle et de leur variabilité sont les sujets principaux de ce travail, et des procédures spécifiques sont proposées afin de les résoudre. Plusieurs applications de ce modèle à des données réelles sont discutées afin d’illustrer la versatilité du modèle.