Défense et illustration de l'infinitisme épistémique

Ce mémoire se concentre sur le problème de la régression épistémique. Il s’agit d’un problème très important puisqu’il remet en question la possibilité de la justification. Nous nous intéresserons aux détails de ce problème, ainsi qu’aux réponses qui lui sont offertes. Traditionnellement, deux réponses sont concurrentes : le fondationnalisme et le cohérentisme. La première propose d’arrêter la régression à un fondement, alors que la seconde propose de s’intéresser à la cohérence partagée par les croyances. Toutefois, le but de notre mémoire est de présenter et de défendre une troisième solution : l’infinitisme. Introduite dans les années 1990 par Peter Klein, l’infinitisme est une des plus récentes théories de la justification et, malgré son intérêt, elle est encore très peu défendue. Cette théorie propose de résoudre le problème de la régression en basant la justification des croyances sur des séries infinies et non répétitives de raisons. Cette idée est intéressante, car l’infinitisme renverse le problème d’origine, puisque les régressions infinies sont généralement perçues comme étant un problème pour la connaissance et la source du scepticisme. Notre objectif est de montrer que l’infinitisme est la meilleure solution possible au problème de la régression. Pour ce faire, nous faisons la synthèse des principaux arguments pour l’infinitisme. Cela nous permettra de distinguer trois types d’infinitisme pour ensuite retenir un de ces types, une forme impure d’infinitisme, comme étant le meilleur. Finalement, nous confronterons l’infinitisme à ces critiques pour montrer qu’il s’agit d’une théorie de la justification qui est réellement viable.

La régression tumorale n'est pas un facteur de risque d'atteinte du ganglion sentinelle dans les mélanomes fins (indice de Breslow < or = 1 mm) [Tumour regression is not predictive for higher risk of sentinel node involvement in thin melanomas (Breslow thickness < or = 1 mm)]

Background: Thin melanomas (Breslow thickness <= 1 mm) are considered highly curable. The aim of this study was to evaluate the correlation between histological tumour regression and sentinel lymph node (SLN) involvement in thin melanomas. Patients and methods: This was a retrospective single-centre study of 34 patients with thin melanomas undergoing SLN biopsy between April 1998 and January 2005. Results: The study included 14 women and 20 men of mean age 56.3 years. Melanomas were located on the neck (n = 3), soles (n = 4), trunk (n = 13) and extremities (n = 14). Pathological examination showed 25 SSM, four acral lentiginous melanomas, three in situ melanomas, one nodular melanoma and one unclassified melanoma with a mean Breslow thickness of 0.57 mm. Histological tumour regression was observed in 26 over 34 cases and ulceration was found in one case. Clark levels were as follows: I (n = 3), II (n = 20), III (n = 9), IV (n = 2). Growth phase was available in 15 cases (seven radial and eight vertical). Mitotic rates, available in 24 cases, were: 0 (n = 9), 1 (n = 11), 2 (n = 2), 3 (n = 1), 6 (n = 1). One patient with histological tumour regression (2.9% of cases and 3.8% of cases with regressing tumours) had a metastatic SLN. One patient negative for SLN had a lung relapse and died of the disease. Mean follow-up was 26.2 months. Conclusion: The results of the present study and the analysis of the literature show that histological regression of the primary tumour does not seem predictive of higher risk of SLN involvement in thin melanomas. This suggests that screening for SLN is not indicated in thin melanomas, even those with histological regression.

Méthodes d’inférence exactes pour un modèle de régression avec erreurs AR(2) gaussiennes

Ce texte propose des méthodes d’inférence exactes (tests et régions de confiance) sur des modèles de régression linéaires avec erreurs autocorrélées suivant un processus autorégressif d’ordre deux [AR(2)], qui peut être non stationnaire. L’approche proposée est une généralisation de celle décrite dans Dufour (1990) pour un modèle de régression avec erreurs AR(1) et comporte trois étapes. Premièrement, on construit une région de confiance exacte pour le vecteur des coefficients du processus autorégressif (φ). Cette région est obtenue par inversion de tests d’indépendance des erreurs sur une forme transformée du modèle contre des alternatives de dépendance aux délais un et deux. Deuxièmement, en exploitant la dualité entre tests et régions de confiance (inversion de tests), on détermine une région de confiance conjointe pour le vecteur φ et un vecteur d’intérêt M de combinaisons linéaires des coefficients de régression du modèle. Troisièmement, par une méthode de projection, on obtient des intervalles de confiance «marginaux» ainsi que des tests à bornes exacts pour les composantes de M. Ces méthodes sont appliquées à des modèles du stock de monnaie (M2) et du niveau des prix (indice implicite du PNB) américains

Tests multiples simulés et tests de normalité basés sur plusieurs moments dans les modèles de régression

Cet article illustre l’applicabilité des méthodes de rééchantillonnage dans le cadre des tests multiples (simultanés), pour divers problèmes économétriques. Les hypothèses simultanées sont une conséquence habituelle de la théorie économique, de sorte que le contrôle de la probabilité de rejet de combinaisons de tests est un problème que l’on rencontre fréquemment dans divers contextes économétriques et statistiques. À ce sujet, on sait que le fait d’ignorer le caractère conjoint des hypothèses multiples peut faire en sorte que le niveau de la procédure globale dépasse considérablement le niveau désiré. Alors que la plupart des méthodes d’inférence multiple sont conservatrices en présence de statistiques non-indépendantes, les tests que nous proposons visent à contrôler exactement le niveau de signification. Pour ce faire, nous considérons des critères de test combinés proposés initialement pour des statistiques indépendantes. En appliquant la méthode des tests de Monte Carlo, nous montrons comment ces méthodes de combinaison de tests peuvent s’appliquer à de tels cas, sans recours à des approximations asymptotiques. Après avoir passé en revue les résultats antérieurs sur ce sujet, nous montrons comment une telle méthodologie peut être utilisée pour construire des tests de normalité basés sur plusieurs moments pour les erreurs de modèles de régression linéaires. Pour ce problème, nous proposons une généralisation valide à distance finie du test asymptotique proposé par Kiefer et Salmon (1983) ainsi que des tests combinés suivant les méthodes de Tippett et de Pearson-Fisher. Nous observons empiriquement que les procédures de test corrigées par la méthode des tests de Monte Carlo ne souffrent pas du problème de biais (ou sous-rejet) souvent rapporté dans cette littérature – notamment contre les lois platikurtiques – et permettent des gains sensibles de puissance par rapport aux méthodes combinées usuelles.

Le "Dollar Cost Averaging", modèle conditionnel d'investissement, et modèle de régression prévisionnel.

Rapport de recherche

L'impasse de la non-normalité : estimateurs d'ordres supérieurs pour modèles de régression linéaire avec erreurs de mesure.

Rapport de recherche