SEMIN
Lissage
et estimation fonctionnelle avec R
Christophe POUZAT
Laboratoire de Physiologie Cérébrale
CNRS ULR 8118, Université ParisDescartes
SEMINR du MNHN | 12 Février 2009
Lissage et estimation fonctionnelle avec
R Christophe Pouzat
Pr´eliminaires : les donn´ees R´eponses aux odeurs Le probl`eme Variance Splines de lissage gss
smooth.spline Retour aux donn´ees La suite
Lissage et estimation fonctionnelle avec R
Christophe Pouzat
Laboratoire de Physiologie C´ er´ ebrale, CNRS UMR 8118, Universit´ e Paris-Descartes
e-mail: christophe.pouzat@gmail.com web:
http://www.biomedicale.univ-paris5.fr/physcerv/C_Pouzat.html
12 F´ evrier 2009
Lissage et estimation fonctionnelle avec
R Christophe Pouzat
Pr´eliminaires : les donn´ees R´eponses aux odeurs Le probl`eme Variance Splines de lissage gss
smooth.spline Retour aux donn´ees La suite
De quoi va-t-on parler ?
Pr´ eliminaires : les donn´ ees
Caract´ erisation des r´ eponses aux odeurs Le probl` eme
Homog´ en´ eit´ e et stabilisation de la variance Splines de lissage
General Smoothing Spline
La fonction smooth.spline
Retour aux donn´ ees
La suite
Lissage et estimation fonctionnelle avec
R Christophe Pouzat
Pr´eliminaires : les donn´ees R´eponses aux odeurs Le probl`eme Variance Splines de lissage gss
smooth.spline Retour aux donn´ees La suite
Enregistrement in vivo dans le premier relais olfactif d’un insecte
Une blatte (Periplaneta americana) “en position” avec la
sonde d’enregistrement. Photos par Laurent Moreaux et
Antoine Chaffiol.
Lissage et estimation fonctionnelle avec
R Christophe Pouzat
Pr´eliminaires : les donn´ees R´eponses aux odeurs Le probl`eme Variance Splines de lissage gss
smooth.spline Retour aux donn´ees La suite
Donn´ ees brutes et d´ etection
Vue de l’ext´ erieur, l’activit´ e des neurones se manifeste par
l’´ emission d’impulsions ´ electriques tr` es br` eves : les potentiels
d’actions. Enregistrements par Nicole Lindemann et Antoine
Chaffiol.
Lissage et estimation fonctionnelle avec
R Christophe Pouzat
Pr´eliminaires : les donn´ees R´eponses aux odeurs Le probl`eme Variance Splines de lissage gss
smooth.spline Retour aux donn´ees La suite
D’autres techniques sont aussi applicables ` a ce syst` eme
Un exemple d’enregistrement de patch-clamp coupl´ e ` a l’imagerie calcique. Ici une cellule unique est enregistr´ ee.
Donn´ ees obtenues par Moritz Paehler et Peter Kloppenburg
(Universit´ e de Cologne).
Lissage et estimation fonctionnelle avec
R Christophe Pouzat
Pr´eliminaires : les donn´ees R´eponses aux odeurs Le probl`eme Variance Splines de lissage gss
smooth.spline Retour aux donn´ees La suite
Propri´ et´ es des d´ echarges ”brutes”
Sur des temps courts (ici 5 s) les d´ echarges sont bien
approxim´ ees par des processus de Poisson.
Lissage et estimation fonctionnelle avec
R Christophe Pouzat
Pr´eliminaires : les donn´ees R´eponses aux odeurs
Le probl`eme Variance Splines de lissage gss
smooth.spline Retour aux donn´ees La suite
Un exemple de r´ eponse ` a une stimulation olfactive
Il est difficile de distinguer quoi que ce soit avec ce type de
repr´ esentation (la valve controllant l’arriv´ ee de l’odeur est
ouverte dans la partie gris´ ee).
Lissage et estimation fonctionnelle avec
R Christophe Pouzat
Pr´eliminaires : les donn´ees R´eponses aux odeurs
Le probl`eme Variance Splines de lissage gss
smooth.spline Retour aux donn´ees La suite
Estimation de la fr´ equence de d´ echarge instantan´ ee par moyennage des r´ eponses
En “moyennant” les r´ eponses des 20 stimulations et en
discr´ etisant le temps on obtient quelque chose de plus clair
(taille de la fenˆ etre de discr´ etisation : 10 ms).
Lissage et estimation fonctionnelle avec
R Christophe Pouzat
Pr´eliminaires : les donn´ees R´eponses aux odeurs
Le probl`eme Variance Splines de lissage gss
smooth.spline Retour aux donn´ees La suite
Estimation de la fr´ equence de d´ echarge instantan´ ee par moyennage des r´ eponses
En “moyennant” les r´ eponses des 20 stimulations et en
discr´ etisant le temps on obtient quelque chose de plus clair
(taille de la fenˆ etre de discr´ etisation : 50 ms).
Lissage et estimation fonctionnelle avec
R Christophe Pouzat
Pr´eliminaires : les donn´ees R´eponses aux odeurs
Le probl`eme Variance Splines de lissage gss
smooth.spline Retour aux donn´ees La suite
Estimation de la fr´ equence de d´ echarge instantan´ ee par moyennage des r´ eponses
En “moyennant” les r´ eponses des 20 stimulations et en
discr´ etisant le temps on obtient quelque chose de plus clair
(taille de la fenˆ etre de discr´ etisation : 250 ms).
Lissage et estimation fonctionnelle avec
R Christophe Pouzat
Pr´eliminaires : les donn´ees R´eponses aux odeurs Le probl`eme
Variance Splines de lissage gss
smooth.spline Retour aux donn´ees La suite
Le probl` eme : quelle taille de bin choisir ?
D´ echarge du r´ eseau entre 5.5 et 8.5 s en r´ eponse au m´ elange.
Lissage et estimation fonctionnelle avec
R Christophe Pouzat
Pr´eliminaires : les donn´ees R´eponses aux odeurs Le probl`eme
Variance Splines de lissage gss
smooth.spline Retour aux donn´ees La suite
Un peu de formalisme
I Toutes les fonctions de R que nous allons voir
consid` erent (au moins dans leur version de base) que les observations, Y i , et le pr´ edicteur (variable ind´ epenante), x i (i = 1, . . . , n) sont reli´ es par le mod` ele de r´ egression :
Y i = η(x i ) + i , i = 1, . . . , n
I Les i sont suppos´ es ˆ etre des variables al´ eatoires
ind´ ependantes et identiquement distribu´ ees (IID) de
moyenne 0 et de variance σ 2 .
Lissage et estimation fonctionnelle avec
R Christophe Pouzat
Pr´eliminaires : les donn´ees R´eponses aux odeurs Le probl`eme Variance
Splines de lissage gss
smooth.spline Retour aux donn´ees La suite
Homog´ en´ eit´ e de la variance
I Avant d’aller plus loin il peut-ˆ etre utile de v´ erifier que l’hypoth` ese IID pour les i est raisonnable.
I On peut le faire avec un Bootstrap en r´ e-´ echantillonnant les 20 stimulations.
I Commen¸cons par calculer le nombre total d’´ ev´ enements par bin :
> citronC <- sapply(allCitron, + function(l) {
+ hist(l,seq(1,14,0.05),plot=FALSE)$counts + } )
> citronC.hat <- apply(citronC,1,sum)
Lissage et estimation fonctionnelle avec
R Christophe Pouzat
Pr´eliminaires : les donn´ees R´eponses aux odeurs Le probl`eme Variance
Splines de lissage gss
smooth.spline Retour aux donn´ees La suite
Homog´ en´ eit´ e de la variance
I L’estimateur de bootstrap du nombre total d’´ ev´ enements 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 et estimation fonctionnelle avec
R Christophe Pouzat
Pr´eliminaires : les donn´ees R´eponses aux odeurs Le probl`eme Variance
Splines de lissage gss
smooth.spline Retour aux donn´ees La suite
Homog´ en´ eit´ e de la variance
Ici les i d´ ependent clairement des η(x i ).
Lissage et estimation fonctionnelle avec
R Christophe Pouzat
Pr´eliminaires : les donn´ees R´eponses aux odeurs Le probl`eme Variance
Splines de lissage gss
smooth.spline Retour aux donn´ees La suite
Stabilisation de la variance
I On se souvient que les d´ echarges spontan´ ees
correspondent approximativement ` a des processus de Poisson (homog` enes).
I On peut alors penser que les r´ eponses aux odeurs correspondent approximativement ` a des processus de Poisson inhomog` ene.
I On se souvient aussi qu’une distribution de Poisson de param` etre ≥ 15 est approximativement gaussienne avec une variance ´ egale ` a la moyenne.
I On se souvient peut-ˆ etre que la racine carr´ ee d’une
variable al´ eatoire de Poisson (de param` etre ≥ 15) est
approximativement gaussienne de variance 0.25 quelque
soit la valeur du param` etre.
Lissage et estimation fonctionnelle avec
R Christophe Pouzat
Pr´eliminaires : les donn´ees R´eponses aux odeurs Le probl`eme Variance
Splines de lissage gss
smooth.spline Retour aux donn´ees La suite
Stabilisation de la variance
> citronSC.hat <- sqrt(apply(citronC,1,sum))
> citronSC.hat.var <- apply(sqrt(citronC.boot),
+ 1,var)
Lissage et estimation fonctionnelle avec
R Christophe Pouzat
Pr´eliminaires : les donn´ees R´eponses aux odeurs Le probl`eme Variance
Splines de lissage gss
smooth.spline Retour aux donn´ees La suite
Stabilisation de la variance
Ici les i d´ ependent nettement moins des p
η(x i ).
Lissage et estimation fonctionnelle avec
R Christophe Pouzat
Pr´eliminaires : les donn´ees R´eponses aux odeurs Le probl`eme Variance
Splines de lissage gss
smooth.spline Retour aux donn´ees La suite
Distribution des p η(x i )
Graphes quantiles-quantiles des p
η(x i ) obtenus par
bootstrap (r´ eponse au citronellal, bin de 50 ms).
Lissage et estimation fonctionnelle avec
R Christophe Pouzat
Pr´eliminaires : les donn´ees R´eponses aux odeurs Le probl`eme Variance Splines de lissage
gss smooth.spline Retour aux donn´ees La suite
Smoothing Splines 1
Given data :
Y i = η(x i ) + i , i = 1, . . . , n
where x i ∈ [0, 1] and i ∼ N(0, σ 2 ), we want to find η λ
minimizing : 1 n
n
X
i=1
(Y i − η λ (x i )) 2 + λ Z 1
0
d 2 η λ dx 2
2
dx
Lissage et estimation fonctionnelle avec
R Christophe Pouzat
Pr´eliminaires : les donn´ees R´eponses aux odeurs Le probl`eme Variance Splines de lissage
gss smooth.spline Retour aux donn´ees La suite
Smoothing Splines 2
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●●
●
● ●
●
●
●
●
●
●
●
●
●●●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●●
●
●
●
● ●
● ●
●
●
●
●
●
●
●
●
●
●
●●
●●
●
●●
●
●
●
●
●
●
●
0.0 0.2 0.4 0.6 0.8 1.0
−4−2024
A simple example with simulated data
x
y
Lissage et estimation fonctionnelle avec
R Christophe Pouzat
Pr´eliminaires : les donn´ees R´eponses aux odeurs Le probl`eme Variance Splines de lissage
gss smooth.spline Retour aux donn´ees La suite
Smoothing Splines 3
It can be shown (but it’s not exactly trivial) that, for a given λ, the solution of the functional minimization problem can be expressed on a finite basis :
η λ (x) =
m−1
X
ν=0
d ν φ ν (x) +
n
X
i=1
c i R 1 (x i , x)
where the functions, φ ν (), and R 1 (x i , ), are known.
Lissage et estimation fonctionnelle avec
R Christophe Pouzat
Pr´eliminaires : les donn´ees R´eponses aux odeurs Le probl`eme Variance Splines de lissage
gss smooth.spline Retour aux donn´ees 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
−0.6−0.4−0.20.00.20.4
Penalized basis fct # 80
x
Lissage et estimation fonctionnelle avec
R Christophe Pouzat
Pr´eliminaires : les donn´ees R´eponses aux odeurs Le probl`eme Variance Splines de lissage
gss smooth.spline Retour aux donn´ees La suite
Smoothing Splines 5 : What about λ ?
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●●
●
●●
●
●
●
●
●
●
●
●●●●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●●
●
●
●
●●
● ●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●
●
●
0.0 0.2 0.4 0.6 0.8 1.0
−4−2024
λλ ==0.5
x
y ●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●●
●
●●
●
●
●
●
●
●
●
●
●●●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●●
●
●
●
●●
● ●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●
●
●
0.0 0.2 0.4 0.6 0.8 1.0
−4−2024
λλ ==0.05
x
y ●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●●
●
●●
●
●
●
●
●
●
●
●
●●●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●●
●
●
●
●●
● ●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●
●
●
0.0 0.2 0.4 0.6 0.8 1.0
−4−2024
λλ ==0.005
x
y
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●●
●
●●
●
●
●
●
●
●
●
●●●●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●●
●
●
●
●●
● ●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●
●
●
0.0 0.2 0.4 0.6 0.8 1.0
−4−2024
λλ ==5e−04
x
y ●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●●
●
●●
●
●
●
●
●
●
●
●
●●●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●●
●
●
●
●●
● ●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●
●
●
0.0 0.2 0.4 0.6 0.8 1.0
−4−2024
λλ ==5e−05
x
y ●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●●
●
●●
●
●
●
●
●
●
●
●
●●●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●●
●
●
●
●●
● ●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●
●
●
0.0 0.2 0.4 0.6 0.8 1.0
−4−2024
λλ ==5e−06
x
y
Lissage et estimation fonctionnelle avec
R Christophe Pouzat
Pr´eliminaires : les donn´ees R´eponses aux odeurs Le probl`eme Variance Splines de lissage
gss smooth.spline Retour aux donn´ees La suite
Smoothing Splines 6 : Cross-Validation
Ideally we would like λ such that : 1
n
n
X
i=1
(η λ (x i ) − η(x i )) 2
is minimized... but we don’t know the true η. So we choose λ minimizing :
V 0 (λ) = 1 n
n
X
i=1
(η [i] λ (x i ) − Y i ) 2
where η [k] λ is the minimizer of the “delete-one” functional : 1
n X
i 6=k
(Y i − η λ (x i )) 2 + λ Z 1
0
d 2 η λ dx 2
2
dx
Lissage et estimation fonctionnelle avec
R Christophe Pouzat
Pr´eliminaires : les donn´ees R´eponses aux odeurs Le probl`eme Variance Splines de lissage
gss smooth.spline Retour aux donn´ees La suite
Smoothing Splines 7
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●●
●
● ●
●
●
●
0.20 0.25 0.30 0.35 0.40
−4−3−2−10
λλ ==0.5
x
y ●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●●
●
● ●
●
●
●
0.20 0.25 0.30 0.35 0.40
−4−3−2−10
λλ ==0.05
x
y ●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●●
●
●
0.20 0.25 0.30 0.35 0.40
−4−3−2−10
λλ ==0.005
x
y ●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●●
●
● ●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
● ●
● ●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
0.20 0.25 0.30 0.35 0.40
−4−3−2−10
λλ ==5e−04
x
y ●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●●
●
● ●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
0.20 0.25 0.30 0.35 0.40
−4−3−2−10
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 et estimation fonctionnelle avec
R Christophe Pouzat
Pr´eliminaires : les donn´ees R´eponses aux odeurs Le probl`eme Variance Splines de lissage
gss smooth.spline Retour aux donn´ees La suite
Smoothing Splines 8
−14 −12 −10 −8 −6 −4
1.21.41.61.8
log((λλ))
rss
GCV Exact
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●●
●
●●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
● ●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
0.0 0.2 0.4 0.6 0.8 1.0
−4−2024
λλ ==0.001581139
x
y
Lissage et estimation fonctionnelle avec
R Christophe Pouzat
Pr´eliminaires : les donn´ees R´eponses aux odeurs Le probl`eme Variance Splines de lissage
gss smooth.spline Retour aux donn´ees La suite
Smoothing Splines 9 : The Theory (worked out by Grace Wahba) also gives us confidence bands
0.0 0.2 0.4 0.6 0.8 1.0
−4−2024
Data, Conf. Band, Actual ηη
x
y ●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●●
●
● ●
●
●
●
●
●
●
●
●
●●●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●●
●
●
●
● ●
● ●
●
●
●
●
●
●
●
●
●●
●●
●
●
●
●●
●
●
●
●
●
●
●
Lissage et estimation fonctionnelle avec
R Christophe Pouzat
Pr´eliminaires : les donn´ees R´eponses aux odeurs Le probl`eme Variance Splines de lissage gss
smooth.spline Retour aux donn´ees La suite
General Smoothing Spline
I La m´ ethodologie des splines de lissage avec param` etre de lissage estim´ e par validation crois´ ee est mise en oeuvre dans le paquet gss (General Smoothing Spline) d´ evelopp´ e par Chong Gu (Universit´ e de Purdue).
I Nous utilisons d’abord la fonction ssanova0 :
> XX <- seq(1.025,13.975,0.05)
> GF1 <- ssanova0(citronSC.hat ~ XX)
Lissage et estimation fonctionnelle avec
R Christophe Pouzat
Pr´eliminaires : les donn´ees R´eponses aux odeurs Le probl`eme Variance Splines de lissage gss
smooth.spline Retour aux donn´ees La suite
Ajustement avec ssanova0
Les intervalles de confiance sont obtenus avec :
> estGF1 <- predict(GF1,
+ newdata=data.frame(XX=XX),se=TRUE)
Lissage et estimation fonctionnelle avec
R Christophe Pouzat
Pr´eliminaires : les donn´ees R´eponses aux odeurs Le probl`eme Variance Splines de lissage gss
smooth.spline Retour aux donn´ees La suite
Variation autour de ssanova0
I Avec ssanova0 il est possible de fixer la variance des i
au moment de la validation crois´ ee :
> s2 <- mean(citronSC.hat.var)
> GF2 <- ssanova0(citronSC.hat ~ XX,
+ method="u",varht=s2)
Lissage et estimation fonctionnelle avec
R Christophe Pouzat
Pr´eliminaires : les donn´ees R´eponses aux odeurs Le probl`eme Variance Splines de lissage gss
smooth.spline Retour aux donn´ees La suite
Variation autour de ssanova0
Il n’y a pas grande diff´ erence.
Lissage et estimation fonctionnelle avec
R Christophe Pouzat
Pr´eliminaires : les donn´ees R´eponses aux odeurs Le probl`eme Variance Splines de lissage gss
smooth.spline Retour aux donn´ees La suite
Fonction smooth.spline
I Le paquet stats contient la fonction smooth.spline similaire ` a ssanova0 mais “moins puissante”.
I smooth.spline ne g´ en` ere pas d’intervalles de confiance.
> SF <- smooth.spline(XX,citronSC.hat,
+ all.knots=TRUE)
Lissage et estimation fonctionnelle avec
R Christophe Pouzat
Pr´eliminaires : les donn´ees R´eponses aux odeurs Le probl`eme Variance Splines de lissage gss
smooth.spline Retour aux donn´ees La suite
Fonction smooth.spline
Les intervalles de confiance sont ceux de ssanov0.
Lissage et estimation fonctionnelle avec
R Christophe Pouzat
Pr´eliminaires : les donn´ees R´eponses aux odeurs Le probl`eme Variance Splines de lissage gss
smooth.spline Retour aux donn´ees La suite
Retour aux donn´ ees
Lissage et estimation fonctionnelle avec
R Christophe Pouzat
Pr´eliminaires : les donn´ees R´eponses aux odeurs Le probl`eme Variance Splines de lissage gss
smooth.spline Retour aux donn´ees La suite