Lissage exponentiel et prévision adaptive du produit intérieur brut ...
Lissage et estimation fonctionnelle avec R -...
-
Upload
nguyennhan -
Category
Documents
-
view
217 -
download
0
Transcript of Lissage et estimation fonctionnelle avec R -...
SEMINLissageet estimation fonctionnelle avec R
Christophe POUZATLaboratoire de Physiologie CérébraleCNRS ULR 8118, Université ParisDescartes
SEMINR du MNHN | 12 Février 2009
Lissage etestimation
fonctionnelle avecR
Christophe Pouzat
Preliminaires : lesdonnees
Reponses auxodeurs
Le probleme
Variance
Splines de lissage
gss
smooth.spline
Retour auxdonnees
La suite
Lissage et estimation fonctionnelle avec R
Christophe Pouzat
Laboratoire de Physiologie Cerebrale, CNRS UMR 8118, UniversiteParis-Descartes
e-mail: [email protected]:
http://www.biomedicale.univ-paris5.fr/physcerv/C_Pouzat.html
12 Fevrier 2009
Lissage etestimation
fonctionnelle avecR
Christophe Pouzat
Preliminaires : lesdonnees
Reponses auxodeurs
Le probleme
Variance
Splines de lissage
gss
smooth.spline
Retour auxdonnees
La suite
De quoi va-t-on parler ?
Preliminaires : les donnees
Caracterisation des reponses aux odeurs
Le probleme
Homogeneite et stabilisation de la variance
Splines de lissage
General Smoothing Spline
La fonction smooth.spline
Retour aux donnees
La suite
Lissage etestimation
fonctionnelle avecR
Christophe Pouzat
Preliminaires : lesdonnees
Reponses auxodeurs
Le probleme
Variance
Splines de lissage
gss
smooth.spline
Retour auxdonnees
La suite
Enregistrement in vivo dans le premier relaisolfactif d’un insecte
Une blatte (Periplaneta americana) “en position” avec lasonde d’enregistrement. Photos par Laurent Moreaux etAntoine Chaffiol.
Lissage etestimation
fonctionnelle avecR
Christophe Pouzat
Preliminaires : lesdonnees
Reponses auxodeurs
Le probleme
Variance
Splines de lissage
gss
smooth.spline
Retour auxdonnees
La suite
Donnees brutes et detection
Vue de l’exterieur, l’activite des neurones se manifeste parl’emission d’impulsions electriques tres breves : les potentielsd’actions. Enregistrements par Nicole Lindemann et AntoineChaffiol.
Lissage etestimation
fonctionnelle avecR
Christophe Pouzat
Preliminaires : lesdonnees
Reponses auxodeurs
Le probleme
Variance
Splines de lissage
gss
smooth.spline
Retour auxdonnees
La suite
D’autres techniques sont aussi applicables a cesysteme
Un exemple d’enregistrement de patch-clamp couple al’imagerie calcique. Ici une cellule unique est enregistree.Donnees obtenues par Moritz Paehler et Peter Kloppenburg(Universite de Cologne).
Lissage etestimation
fonctionnelle avecR
Christophe Pouzat
Preliminaires : lesdonnees
Reponses auxodeurs
Le probleme
Variance
Splines de lissage
gss
smooth.spline
Retour auxdonnees
La suite
Proprietes des decharges ”brutes”
Sur des temps courts (ici 5 s) les decharges sont bienapproximees par des processus de Poisson.
Lissage etestimation
fonctionnelle avecR
Christophe Pouzat
Preliminaires : lesdonnees
Reponses auxodeurs
Le probleme
Variance
Splines de lissage
gss
smooth.spline
Retour auxdonnees
La suite
Un exemple de reponse a une stimulationolfactive
Il est difficile de distinguer quoi que ce soit avec ce type derepresentation (la valve controllant l’arrivee de l’odeur estouverte dans la partie grisee).
Lissage etestimation
fonctionnelle avecR
Christophe Pouzat
Preliminaires : lesdonnees
Reponses auxodeurs
Le probleme
Variance
Splines de lissage
gss
smooth.spline
Retour auxdonnees
La suite
Estimation de la frequence de dechargeinstantanee par moyennage des reponses
En “moyennant” les reponses des 20 stimulations et endiscretisant le temps on obtient quelque chose de plus clair(taille de la fenetre de discretisation : 10 ms).
Lissage etestimation
fonctionnelle avecR
Christophe Pouzat
Preliminaires : lesdonnees
Reponses auxodeurs
Le probleme
Variance
Splines de lissage
gss
smooth.spline
Retour auxdonnees
La suite
Estimation de la frequence de dechargeinstantanee par moyennage des reponses
En “moyennant” les reponses des 20 stimulations et endiscretisant le temps on obtient quelque chose de plus clair(taille de la fenetre de discretisation : 50 ms).
Lissage etestimation
fonctionnelle avecR
Christophe Pouzat
Preliminaires : lesdonnees
Reponses auxodeurs
Le probleme
Variance
Splines de lissage
gss
smooth.spline
Retour auxdonnees
La suite
Estimation de la frequence de dechargeinstantanee par moyennage des reponses
En “moyennant” les reponses des 20 stimulations et endiscretisant le temps on obtient quelque chose de plus clair(taille de la fenetre de discretisation : 250 ms).
Lissage etestimation
fonctionnelle avecR
Christophe Pouzat
Preliminaires : lesdonnees
Reponses auxodeurs
Le probleme
Variance
Splines de lissage
gss
smooth.spline
Retour auxdonnees
La suite
Le probleme : quelle taille de bin choisir ?
Decharge du reseau entre 5.5 et 8.5 s en reponse au melange.
Lissage etestimation
fonctionnelle avecR
Christophe Pouzat
Preliminaires : lesdonnees
Reponses auxodeurs
Le probleme
Variance
Splines de lissage
gss
smooth.spline
Retour auxdonnees
La suite
Un peu de formalisme
I Toutes les fonctions de R que nous allons voirconsiderent (au moins dans leur version de base) que lesobservations, Yi , et le predicteur (variable indepenante),xi (i = 1, . . . , n) sont relies par le modele de regression :
Yi = η(xi ) + εi , i = 1, . . . , n
I Les εi sont supposes etre des variables aleatoiresindependantes et identiquement distribuees (IID) demoyenne 0 et de variance σ2.
Lissage etestimation
fonctionnelle avecR
Christophe Pouzat
Preliminaires : lesdonnees
Reponses auxodeurs
Le probleme
Variance
Splines de lissage
gss
smooth.spline
Retour auxdonnees
La suite
Homogeneite de la variance
I Avant d’aller plus loin il peut-etre utile de verifier quel’hypothese IID pour les εi est raisonnable.
I On peut le faire avec un Bootstrap enre-echantillonnant les 20 stimulations.
I Commencons par calculer le nombre total d’evenementspar bin :
> citronC <- sapply(allCitron,+ function(l) {+ hist(l,seq(1,14,0.05),plot=FALSE)$counts+ } )> citronC.hat <- apply(citronC,1,sum)
Lissage etestimation
fonctionnelle avecR
Christophe Pouzat
Preliminaires : lesdonnees
Reponses auxodeurs
Le probleme
Variance
Splines de lissage
gss
smooth.spline
Retour auxdonnees
La suite
Homogeneite de la variance
I L’estimateur de bootstrap du nombre totald’evenements par bin est alors :
> citronC.boot <- sapply(1:1000,+ function(idx) {+ myCol <- sample(1:20,20,replace=TRUE)+ bootD <- citronC[,myCol]+ apply(bootD,1,sum)+ }+ )> citronC.hat.var <- apply(citronC.boot,1,var)
Lissage etestimation
fonctionnelle avecR
Christophe Pouzat
Preliminaires : lesdonnees
Reponses auxodeurs
Le probleme
Variance
Splines de lissage
gss
smooth.spline
Retour auxdonnees
La suite
Homogeneite de la variance
Ici les εi dependent clairement des η(xi ).
Lissage etestimation
fonctionnelle avecR
Christophe Pouzat
Preliminaires : lesdonnees
Reponses auxodeurs
Le probleme
Variance
Splines de lissage
gss
smooth.spline
Retour auxdonnees
La suite
Stabilisation de la variance
I On se souvient que les decharges spontaneescorrespondent approximativement a des processus dePoisson (homogenes).
I On peut alors penser que les reponses aux odeurscorrespondent approximativement a des processus dePoisson inhomogene.
I On se souvient aussi qu’une distribution de Poisson deparametre ≥ 15 est approximativement gaussienne avecune variance egale a la moyenne.
I On se souvient peut-etre que la racine carree d’unevariable aleatoire de Poisson (de parametre ≥ 15) estapproximativement gaussienne de variance 0.25 quelquesoit la valeur du parametre.
Lissage etestimation
fonctionnelle avecR
Christophe Pouzat
Preliminaires : lesdonnees
Reponses auxodeurs
Le probleme
Variance
Splines de lissage
gss
smooth.spline
Retour auxdonnees
La suite
Stabilisation de la variance
> citronSC.hat <- sqrt(apply(citronC,1,sum))> citronSC.hat.var <- apply(sqrt(citronC.boot),+ 1,var)
Lissage etestimation
fonctionnelle avecR
Christophe Pouzat
Preliminaires : lesdonnees
Reponses auxodeurs
Le probleme
Variance
Splines de lissage
gss
smooth.spline
Retour auxdonnees
La suite
Stabilisation de la variance
Ici les εi dependent nettement moins des√η(xi ).
Lissage etestimation
fonctionnelle avecR
Christophe Pouzat
Preliminaires : lesdonnees
Reponses auxodeurs
Le probleme
Variance
Splines de lissage
gss
smooth.spline
Retour auxdonnees
La suite
Distribution des√
η(xi)
Graphes quantiles-quantiles des√η(xi ) obtenus par
bootstrap (reponse au citronellal, bin de 50 ms).
Lissage etestimation
fonctionnelle avecR
Christophe Pouzat
Preliminaires : lesdonnees
Reponses auxodeurs
Le probleme
Variance
Splines de lissage
gss
smooth.spline
Retour auxdonnees
La suite
Smoothing Splines 1
Given data :
Yi = η(xi ) + εi , i = 1, . . . , n
where xi ∈ [0, 1] and εi ∼ N(0, σ2), we want to find ηλ
minimizing :
1
n
n∑i=1
(Yi − ηλ(xi ))2 + λ
∫ 1
0
(d2ηλ
dx2
)2dx
Lissage etestimation
fonctionnelle avecR
Christophe Pouzat
Preliminaires : lesdonnees
Reponses auxodeurs
Le probleme
Variance
Splines de lissage
gss
smooth.spline
Retour auxdonnees
La suite
Smoothing Splines 2
●
●
●
●
●
●
●
●
●
●
●
●
●●●
●
●
●
●
●
●
●
●
●
●
●
●●●
●
●
●
●
●
●
●●
●●
●
● ●
●
●
●
●
●
●
●
●
●●●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●●
●
●
●
●●
● ●●
●
●
●
●
●
●
●
●●
●●
●●
●
●●
●
●
●
●
●
●
●
0.0 0.2 0.4 0.6 0.8 1.0
−4
−2
02
4
A simple example with simulated data
x
y
Lissage etestimation
fonctionnelle avecR
Christophe Pouzat
Preliminaires : lesdonnees
Reponses auxodeurs
Le probleme
Variance
Splines de lissage
gss
smooth.spline
Retour auxdonnees
La suite
Smoothing Splines 3
It can be shown (but it’s not exactly trivial) that, for a givenλ, the solution of the functional minimization problem canbe expressed on a finite basis :
ηλ(x) =m−1∑ν=0
dν φν(x) +n∑
i=1
ci R1(xi , x)
where the functions, φν(), and R1(xi , ), are known.
Lissage etestimation
fonctionnelle avecR
Christophe Pouzat
Preliminaires : lesdonnees
Reponses auxodeurs
Le probleme
Variance
Splines de lissage
gss
smooth.spline
Retour auxdonnees
La suite
Smoothing Splines 4
0.0 0.2 0.4 0.6 0.8 1.0
−0.
6−
0.4
−0.
20.
00.
20.
4
Cst. unpenalized term
x
0.0 0.2 0.4 0.6 0.8 1.0
−0.
6−
0.4
−0.
20.
00.
20.
4
Linear unpenalized term
x
0.0 0.2 0.4 0.6 0.8 1.0
−0.
6−
0.4
−0.
20.
00.
20.
4
Penalized basis fct # 20
x
0.0 0.2 0.4 0.6 0.8 1.0
−0.
6−
0.4
−0.
20.
00.
20.
4
Penalized basis fct # 40
x
0.0 0.2 0.4 0.6 0.8 1.0
−0.
6−
0.4
−0.
20.
00.
20.
4
Penalized basis fct # 60
x
0.0 0.2 0.4 0.6 0.8 1.0−
0.6
−0.
4−
0.2
0.0
0.2
0.4
Penalized basis fct # 80
x
Lissage etestimation
fonctionnelle avecR
Christophe Pouzat
Preliminaires : lesdonnees
Reponses auxodeurs
Le probleme
Variance
Splines de lissage
gss
smooth.spline
Retour auxdonnees
La suite
Smoothing Splines 5 : What about λ ?
●
●●
●
●
●
●
●
●
●
●
●
●●●
●
●
●
●
●
●
●
●
●
●
●
●●●
●
●
●
●
●
●
●●
●●
●
●●
●
●
●
●
●
●
●
●
●●●
●
●
●
●
●
●●
●
●
●
●●
●
●
●●
●
●
●●●
● ●●
●
●
●
●
●
●
●
●●
●●
●●
●
●●
●
●
●
●
●
●
●
0.0 0.2 0.4 0.6 0.8 1.0
−4
−2
02
4
λλ == 0.5
x
y ●
●●
●
●
●
●
●
●
●
●
●
●●●
●
●
●
●
●
●
●
●
●
●
●
●●●
●
●
●
●
●
●
●●
●●
●
●●
●
●
●
●
●
●
●
●
●●●
●
●
●
●
●
●●
●
●
●
●●
●
●
●●
●
●
●●●
● ●●
●
●
●
●
●
●
●
●●
●●
●●
●
●●
●
●
●
●
●
●
●
0.0 0.2 0.4 0.6 0.8 1.0
−4
−2
02
4
λλ == 0.05
x
y ●
●●
●
●
●
●
●
●
●
●
●
●●●
●
●
●
●
●
●
●
●
●
●
●
●●●
●
●
●
●
●
●
●●
●●
●
●●
●
●
●
●
●
●
●
●
●●●
●
●
●
●
●
●●
●
●
●
●●
●
●
●●
●
●
●●●
● ●●
●
●
●
●
●
●
●
●●
●●
●●
●
●●
●
●
●
●
●
●
●
0.0 0.2 0.4 0.6 0.8 1.0
−4
−2
02
4
λλ == 0.005
x
y
●
●●
●
●
●
●
●
●
●
●
●
●●●
●
●
●
●
●
●
●
●
●
●
●
●●●
●
●
●
●
●
●
●●
●●
●
●●
●
●
●
●
●
●
●
●
●●●
●
●
●
●
●
●●
●
●
●
●●
●
●
●●
●
●
●●●
● ●●
●
●
●
●
●
●
●
●●
●●
●●
●
●●
●
●
●
●
●
●
●
0.0 0.2 0.4 0.6 0.8 1.0
−4
−2
02
4
λλ == 5e−04
x
y ●
●●
●
●
●
●
●
●
●
●
●
●●●
●
●
●
●
●
●
●
●
●
●
●
●●●
●
●
●
●
●
●
●●
●●
●
●●
●
●
●
●
●
●
●
●
●●●
●
●
●
●
●
●●
●
●
●
●●
●
●
●●
●
●
●●●
● ●●
●
●
●
●
●
●
●
●●
●●
●●
●
●●
●
●
●
●
●
●
●
0.0 0.2 0.4 0.6 0.8 1.0
−4
−2
02
4
λλ == 5e−05
x
y ●
●●
●
●
●
●
●
●
●
●
●
●●●
●
●
●
●
●
●
●
●
●
●
●
●●●
●
●
●
●
●
●
●●
●●
●
●●
●
●
●
●
●
●
●
●
●●●
●
●
●
●
●
●●
●
●
●
●●
●
●
●●
●
●
●●●
● ●●
●
●
●
●
●
●
●
●●
●●
●●
●
●●
●
●
●
●
●
●
●
0.0 0.2 0.4 0.6 0.8 1.0−
4−
20
24
λλ == 5e−06
x
y
Lissage etestimation
fonctionnelle avecR
Christophe Pouzat
Preliminaires : lesdonnees
Reponses auxodeurs
Le probleme
Variance
Splines de lissage
gss
smooth.spline
Retour auxdonnees
La suite
Smoothing Splines 6 : Cross-Validation
Ideally we would like λ such that :
1
n
n∑i=1
(ηλ(xi )− η(xi ))2
is minimized... but we don’t know the true η. So we chooseλ minimizing :
V0(λ) =1
n
n∑i=1
(η[i ]λ (xi )− Yi )
2
where η[k]λ is the minimizer of the “delete-one” functional :
1
n
∑i 6=k
(Yi − ηλ(xi ))2 + λ
∫ 1
0
(d2ηλ
dx2
)2dx
Lissage etestimation
fonctionnelle avecR
Christophe Pouzat
Preliminaires : lesdonnees
Reponses auxodeurs
Le probleme
Variance
Splines de lissage
gss
smooth.spline
Retour auxdonnees
La suite
Smoothing Splines 7
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●●
●
● ●
●
●
●
0.20 0.25 0.30 0.35 0.40
−4
−3
−2
−1
0
λλ == 0.5
x
y
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●●
●
● ●
●
●
●
0.20 0.25 0.30 0.35 0.40
−4
−3
−2
−1
0
λλ == 0.05
x
y
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●●
●
●
0.20 0.25 0.30 0.35 0.40
−4
−3
−2
−1
0
λλ == 0.005
x
y
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●●
●
● ●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●●
●
●
●
● ●
● ●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●●
0.20 0.25 0.30 0.35 0.40
−4
−3
−2
−1
0
λλ == 5e−04
x
y
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●●
●
● ●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●●
0.20 0.25 0.30 0.35 0.40
−4
−3
−2
−1
0
λλ == 5e−05
x
y
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●●
●
●
0.20 0.25 0.30 0.35 0.40−
4−
3−
2−
10
λλ == 5e−06
x
y
●
Lissage etestimation
fonctionnelle avecR
Christophe Pouzat
Preliminaires : lesdonnees
Reponses auxodeurs
Le probleme
Variance
Splines de lissage
gss
smooth.spline
Retour auxdonnees
La suite
Smoothing Splines 8
−14 −12 −10 −8 −6 −4
1.2
1.4
1.6
1.8
log((λλ))
rss
GCV
Exact
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●●
●
●●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●●
●
●
●
●●
● ●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●
●
●
0.0 0.2 0.4 0.6 0.8 1.0
−4
−2
02
4
λλ == 0.001581139
x
y
Lissage etestimation
fonctionnelle avecR
Christophe Pouzat
Preliminaires : lesdonnees
Reponses auxodeurs
Le probleme
Variance
Splines de lissage
gss
smooth.spline
Retour auxdonnees
La suite
Smoothing Splines 9 : The Theory (worked outby Grace Wahba) also gives us confidence bands
0.0 0.2 0.4 0.6 0.8 1.0
−4
−2
02
4Data, Conf. Band, Actual ηη
x
y ●
●
●
●
●
●
●
●
●
●
●
●
●●●
●
●
●
●
●
●
●
●
●
●
●
●●●
●
●
●
●
●
●
●●
●●
●
● ●
●
●
●
●
●
●
●
●
●●●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●●
●
●
●
●●
● ●●
●
●
●
●
●
●
●
●●
●●
●●
●
●●
●
●
●
●
●
●
●
Lissage etestimation
fonctionnelle avecR
Christophe Pouzat
Preliminaires : lesdonnees
Reponses auxodeurs
Le probleme
Variance
Splines de lissage
gss
smooth.spline
Retour auxdonnees
La suite
General Smoothing Spline
I La methodologie des splines de lissage avec parametrede lissage estime par validation croisee est mise enoeuvre dans le paquet gss (General Smoothing Spline)developpe par Chong Gu (Universite de Purdue).
I Nous utilisons d’abord la fonction ssanova0 :
> XX <- seq(1.025,13.975,0.05)> GF1 <- ssanova0(citronSC.hat ~ XX)
Lissage etestimation
fonctionnelle avecR
Christophe Pouzat
Preliminaires : lesdonnees
Reponses auxodeurs
Le probleme
Variance
Splines de lissage
gss
smooth.spline
Retour auxdonnees
La suite
Ajustement avec ssanova0
Les intervalles de confiance sont obtenus avec :
> estGF1 <- predict(GF1,+ newdata=data.frame(XX=XX),se=TRUE)
Lissage etestimation
fonctionnelle avecR
Christophe Pouzat
Preliminaires : lesdonnees
Reponses auxodeurs
Le probleme
Variance
Splines de lissage
gss
smooth.spline
Retour auxdonnees
La suite
Variation autour de ssanova0
I Avec ssanova0 il est possible de fixer la variance des εiau moment de la validation croisee :
> s2 <- mean(citronSC.hat.var)> GF2 <- ssanova0(citronSC.hat ~ XX,+ method="u",varht=s2)
Lissage etestimation
fonctionnelle avecR
Christophe Pouzat
Preliminaires : lesdonnees
Reponses auxodeurs
Le probleme
Variance
Splines de lissage
gss
smooth.spline
Retour auxdonnees
La suite
Variation autour de ssanova0
Il n’y a pas grande difference.
Lissage etestimation
fonctionnelle avecR
Christophe Pouzat
Preliminaires : lesdonnees
Reponses auxodeurs
Le probleme
Variance
Splines de lissage
gss
smooth.spline
Retour auxdonnees
La suite
Fonction smooth.spline
I Le paquet stats contient la fonction smooth.splinesimilaire a ssanova0 mais “moins puissante”.
I smooth.spline ne genere pas d’intervalles deconfiance.
> SF <- smooth.spline(XX,citronSC.hat,+ all.knots=TRUE)
Lissage etestimation
fonctionnelle avecR
Christophe Pouzat
Preliminaires : lesdonnees
Reponses auxodeurs
Le probleme
Variance
Splines de lissage
gss
smooth.spline
Retour auxdonnees
La suite
Fonction smooth.spline
Les intervalles de confiance sont ceux de ssanov0.
Lissage etestimation
fonctionnelle avecR
Christophe Pouzat
Preliminaires : lesdonnees
Reponses auxodeurs
Le probleme
Variance
Splines de lissage
gss
smooth.spline
Retour auxdonnees
La suite
Retour aux donnees
Lissage etestimation
fonctionnelle avecR
Christophe Pouzat
Preliminaires : lesdonnees
Reponses auxodeurs
Le probleme
Variance
Splines de lissage
gss
smooth.spline
Retour auxdonnees
La suite
La suite
I On peut “jouer” avec d’autres arguments desmooth.spline, mais globalement, l’essentiel a etecouvert.
I ssanova0 peut-etre utilisee avec plusieurs predicateurs.
I Le paquet gss met en oeuvre des tests pour evaluer lerole de differents predicateurs.
I Avec gss, les εi peuvent avoir une distributionbinomiale, Poisson, inverse gaussienne, etc. Il faut alorsutiliser la fonction gssanova0.