Instituts

Recherche

La fusion des statistiques et de l'informatique au sein de la GSEM reconnaît que les statistiques, pour être efficaces dans la pratique, ne peuvent vivre sans informatique, et que l'informatique, pour aller au-delà de l'information ou, disons, de la gestion des données avec quelques statistiques descriptives, doit être enrichie par des méthodes d'analyse des données solides. La conception moderne de la science des données en tant que discipline est souvent attribuée à William S. Cleveland, professeur de statistiques et d'informatique à l'université de Purdue. Dans leur définition originale, les statistiques et l'informatique sont les piliers fondamentaux sur lesquels repose la science des données.

Les membres de l'Institut publient des travaux scientifiques dans des revues de premier plan qui vont des systèmes d'information aux statistiques fondamentales et se concentrent sur des domaines de recherche appliquée tels que les sciences de l'environnement, l'économétrie financière, la santé, l'ingénierie, la psychologie, etc.

En ce qui concerne les statistiques, nos chercheurs et chercheuses ont une expertise en inférence robuste, événements extrêmes, inférence sur petits échantillons, inférence indirecte, statistiques non paramétriques, sélection de modèles, analyse de séries temporelles, modèles de variables latentes et de mélanges, analyse de données non euclidiennes et fonctionnelles, etc.

Nos chercheuses et chercheurs les plus orienté-es vers l'informatique sont fortement impliqué-es dans des projets de transfert de technologie industrielle dans des domaines aussi divers que les modèles formels de visualisation de l'information dans des environnements virtuels en 3D, l'innovation dans les services, les services à grande échelle, les systèmes de positionnement et de navigation intérieurs, les services pour les personnes âgées, les capteurs mobiles : smartphone, smartwatch, bracelet et autres objets connectés, et les opérations algébriques pour la gestion des ressources de connaissance.

La forte implication de l'Institut dans des groupes de réflexion interdisciplinaires le place à la pointe de la veille technologique en sciences de l'information et dans divers domaines de la statistique en Suisse.

 

Sélection de publications

Guerrier, S., Kuzmics, C., & Victoria-Feser, M.-P. 2024. Assessing COVID-19 Prevalence in Austria with Infection Surveys and Case Count Data as Auxiliary Information. Journal of the American Statistical Association.
https://doi.org/10.1080/01621459.2024.2313790

Deuber D., Li J., Engelke, S., & Maathuis M. 2023. Estimation and Inference of Extremal Quantile Treatment Effects for Heavy-Tailed Distributions. Journal of the American Statistical Association.
https://doi.org/10.1080/01621459.2023.2252141

Jiang, C., La Vecchia, D., Ronchetti, E., & Scaillet, O. 2023. Saddlepoint approximations for spatial panel data models. Journal of the American Statistical Association, 118(542), 1164–1175.
https://doi.org/10.1080/01621459.2021.1981913

La Vecchia, D., Moor, A., & Scaillet, O. 2023. A higher-order correct fast moving-average bootstrap for dependent data. Journal of Econometrics, 235(1), 65–81.
https://doi.org/10.1016/j.jeconom.2022.01.008

Reluga, K., Lombardía, M.-J., & Sperlich, S. 2023. Simultaneous inference for empirical best predictors with a poverty study in small areas. Journal of the American Statistical Association, 118(541), 583–595.
https://doi.org/10.1080/01621459.2021.1942014

Röttger, F., Engelke, S., & Zwiernik, P. 2023. Total positivity in multivariate extremes. The Annals of Statistics, 51(3), 962–1004.
https://doi.org/10.1214/23-AOS2272

Engelke, S., & Volgushev, S. 2022. Structure learning for extremal tree models. Journal of the Royal Statistical Society Series B: Statistical Methodology, 84(5), 2055–2087. https://doi.org/10.1111/rssb.12556

Hallin, M., La Vecchia, D., & Liu, H. 2022. Center-Outward R-Estimation for Semiparametric VARMA Models. Journal of the American Statistical Association, 117(538), 925–938.
https://doi.org/10.1080/01621459.2020.1832501

Lideikyte-Huber, G., & Pittavino, M. 2022. Who donates and how? New evidence on the tax incentives in the canton of Geneva, Switzerland. Journal of Empirical Legal Studies, 19(3), 758–797.
https://doi.org/10.1111/jels.12322

Zakeri, S., Chatterjee, P., Cheikhrouhou, N., & Konstantas, D. (2022). Ranking based on optimal points and win-loss-draw multi-criteria decision-making with application to supplier evaluation problem. Expert Systems with Applications, 191, Article 116258. 
https://doi.org/10.1016/j.eswa.2021.116258

 

> Pour une liste complète, veuillez consulter notre page web Savoir & publications

 

Thèses de doctorat récentes

Doctorat en statistique

Accurate Inference Through Bias Correction for Parametric and Semiparametric Model (Zhang, Y. 2024)

Contributions to the Statistical Analysis of Networks and Graphs (Miglioli, C. 2024)

Indirect Estimators and Computational Methods for Models with Unobserved Variables in High Dimensions (Blanc, G. 2023)

Robustness in models for categorical variables (Miron, J. 2023)

Quantitative methods for non-linear models (Shan, J. 2023)

Causal Inference for Extremes (Gnecco, N. 2022)

Contributions to higher-order correct and robust inference for dependent data (Moor, A. 2022)

Domain-Tailored Approaches to Statistical Learning (Bakalli, G. 2021)

Contributions to high-dimensional and semiparametric statistics for dependent data (Bodelet, J. 2021)

Statistical Inference on Network Data: Spatial Panel and Latent Variables (Jiang, C. 2021)

Topics in Statistics and Financial Econometrics: Penalized Estimators and Stochastic Discount Factors (Quaini, A. 2021)

Rare Events, Data Science and Climate Modeling (Vignotto, E. 2021)

Contributions to time series analysis (Xu, H. 2021)

Simultaneous and post-selection inference for mixed parameters (Reluga, K. 2020)


> Veuillez cliquer ici pour de plus amples informations sur le programme de doctorat en statistique.

 

Doctorat en systèmes d’information

Trusted Software-Defined Vehicules (Lenard, T., 2024)

An enhanced threat analysis and risk assessment for connected and automated vehicles unifying upon security and privacy standards (Benyahya, M. 2024)

Holistic Risk Assessment based on continuous data from the user's behavior and environment (Carrodano Tarantino, C. 2024)

Predicate Extraction as a Generic approach to address different Artificial Intelligence tasks, application to NLP and Computer Vision tasks (Ghadfi, S. 2024)

Predicting Ocular Exposure to Natural and Artificial Light by Means of Numerical Simulations (Marro, M. 2024)

The Theory of Everything: A Model That Provides a Unified Solution for Dealing with Uncertainty in Solving MCDM Problems (Zakeri, S. 2024)

Context-aware Mobile Internet Quality Model: Quantifying and Facilitating Smartphone's Quality of Experience (De Masi, A. 2023)

Automated Risk Assessment for Cyber Threats Identification in IoT Environments (Collen, A. 2022)

Personalized, narrative and interactive simulation based on a rules-engine system designed to confront caregivers with personalized virtual Alzheimer's patients and to train their communicative coping strategy skills (Chauveau, L. 2020)

Self-monitoring technologies to promote healthy behavior in the long term (Randriambelonoro, M. M. 2020)


> Veuillez cliquer ici pour de plus amples informations sur le programme de doctorat en systèmes d'information.

   AACSB-logo-accredited_Foot.png        AMBA_Logo_Black_New.png          EFMD-NewLogo2013-HR_colours.png        

prme-stacked-solid-rgb.png 		   GBSNLogo.png