R EVUE DE STATISTIQUE APPLIQUÉE
N. E L F AOUZI
Y. E SCOUFIER
Modélisation I-spline et comparaison de courbes de croissance
Revue de statistique appliquée, tome 39, n
o1 (1991), p. 51-64
<http://www.numdam.org/item?id=RSA_1991__39_1_51_0>
© Société française de statistique, 1991, tous droits réservés.
L’accès aux archives de la revue « Revue de statistique appliquée » (http://www.sfds.asso.fr/publicat/rsa.htm) implique l’accord avec les condi- tions générales d’utilisation (http://www.numdam.org/conditions). Toute uti- lisation commerciale ou impression systématique est constitutive d’une in- fraction pénale. Toute copie ou impression de ce fichier doit contenir la présente mention de copyright.
Article numérisé dans le cadre du programme Numérisation de documents anciens mathématiques
http://www.numdam.org/
MODÉLISATION I-SPLINE
ET COMPARAISON DE COURBES DE CROISSANCE
N. EL
FAOUZI,
Y. ESCOUFIERUnité de biométrie, ENSAM-INRA-UM.II, 9,
place
Pierre Viala, 34060Montpellier
RÉSUMÉ
L’étude porte sur des courbes de croissance ; on veut d’une part les soumettre à une étude
exploratoire qui
cherche à reconnaître des groupeshomogènes ;
d’autre part soumettre à des tests designificativité
les différences observées dans des groupesspécifiés.
On propose
d’ajuster chaque
courbe par un modèle degrande
flexibilité, défini par les"I-splines".
Le caractère linéaire de ce modèle,qui
s’écrit comme combinaison linéaire des1-splines,
conduit à une distance euclidienne entre lesparamètres
cequi
autorisel’emploi
des méthodes
classiques d’analyse
des données pour lapartie exploratoire
et la mise enoeuvre de tests de
permutations
pour lapartie
confirmatoire.Mots-clés : courbes de croissance,
fonctions splines,
modélisation, comparaison de courbes.ABSTRACT
This paper studies
growth
curves; first we want to conduct anexploratory study
in order to
recognize homogeneous
groups, we also want to test thesignificance
of thedifferences observed between
given
groups.We propose
fitting
each curveby
a flexible model definedby "I-splines".
Thelinearity
of this model, which is a linear combination of
I-splines,
leads to an euclidean distance between theadjusted
parameters and this allowsusing
the classical dataanalysis
methodsfor the
exploratory
part of thestudy,
and apermutation
test for theconfirmatory
part of this work.Key-words :
courbes decroissance, fonctions splines,
modélisation, comparaison de courbes.1. Introduction : Motivations et
objectifs
Les données
qui
ont motivé cette étude sont despesées d’agneaux
faitespendant
22 semaines sur trois lots de six animaux chacun(cf.
SAIH A[1985]).
Un
premier lot,
notéC,
est un lot decontrôle ;
les animauxqui
lecomposent
n’ont reçu aucuntraitement;
le deuxièmelot,
notéI,
a été effectivement traité : leproduit objet
de l’étude estappliqué
aux animaux parinjection.
Les animauxdu troisième
lot,
notéT,
ont subi uneinjection
dusupport
duproduit
mais pas duproduit
lui même.Dans une telle
étude,
deuxobjectifs statistiques peuvent
êtreproposés.
Onpeut
vouloir d’abord dans unephase exploratoire
visualiser la variabilité des évolutions depoids,
c’est à dire identifier des courbes ressemblantes et caractériser les éléments de dissemblances des courbesqui
ne se ressemblent pas.Dans une seconde
étape,
on voudraapprécier
l’effet du traitement. On pourra icienvisager
de comparer les trois groupes entre eux, les deux groupesinjectés
augroupe
témoin,
le groupe effectivement traité aux deux groupes non traités.La
première phase
serapossible
si on estcapable
d’attacher aux courbesquelques descripteurs succeptibles
desupporter
une méthoded’analyse
des données.Ce
point
sera étudié dans lesparagraphes
2 et 3.La seconde
phase
demandequ’on puisse
attacher à l’ensemble des courbesune mesure de variabilité
totale, qu’on
sache ladécouper
en une variabilité interneaux groupes et une variabilté entre les groupes et
qu’on puisse
ensuiteapprécier
leur intensité relative. Cet
aspect
du travail sera traité dans leparagraphe
4 encohérence avec la démarche des
paragraphes précédents.
2.
L’analyse
des donnéeslorsque
les données sont des courbes Lesujet
n’est pas nouveau il adéja
faitl’objet
deplusieurs publications,
DEVILLE J.C
[1974],
BESSE P[1979],
LENOUVEL J[1981],
LIBERT G & DUPUIS Ch[1981],
SAPORTA G[1981],
RAMSAY J.O[1982b],
HOULLIER F[1987].
Avantde faire une nouvelle
proposition rappelons rapidement
différentesposibilités
et lesinconvénients
qu’on peut
leur trouver.Pour les besoins de
l’exposé,
on considérequ’on dispose
d’un ensemble C deN courbes dépendant
d’unparamètre t
parcourant un intervalle donné. Soit doncC = {Ci; i = 1,...,N}.
2.1. Des
approches
connues.2.1.1. Première
approche.
Les courbes étant toutes connues aux mêmes
points d’observations {t j ; j
==1,...,p},
les donnéesdisponibles
peuvent être rassemblées en un tableau X de dimensionN
x p, d’élementX i
=Ci(tj).
Tout choix demétrique Q
sur IRp etD sur
IRN permet
alors de définir untriplet (X, Q, D) qui
pourra être lepoint
de
départ
d’uneanalyse
encomposantes principales (ACP)
ou d’une méthode de classification. Cette méthode ne pourra évidemment pas être utiliséelorsque
lescourbes ont été observées à des instants
{ti,j : j
=1,..., pi}
différents par leur localisation et leur nombre. Deplus,
la succession naturelle destemps
d’observation n’est pasprise
encompte
dans la méthode : Lapermutation
des colonnes du tableauest sans effet sur la
représentation
et lacomparaison
deslignes.
2.1.2. Deuxième
approche
Un modèle
général C(t,03B81,03B82,...,03B8k) dépendant
de kparamètres ayant
étéchoisi,
onpeut
caractériser chacune des courbesCi (t)
par les valeurs(03B8i1, 03B8i2,
... ,03B8ik)
desparamètres
obtenues à l’issue d’uneprocédure d’ajustement
des
observations {Ci(ti,j) : j
=1,..., pi}
par le modèleC(t, 03B81,03B82,..., 03B8k).
Onassocie alors aux
N
courbes un tableau Y de dimensionN
x k d’élementYli
=Bil.
Reste à choisir la
métrique Q
surIRk
àappliquer
auxlignes
de Y pourqu’une comparaison
deslignes Yi
etYi’ puisse
être considerée comme unecomparaison
réaliste des courbes
Ci(t)
etCi, (t).
HOULLIER F
[1987]
a étudié ceproblème.
Pour des modèlesC (t, al, a2, ... , ak) polynomiaux,
la solution estsimple lorsque
toutes les courbes ont été observéesaux mêmes instants. Pour des modèles non
polynomiaux,
cas des modèles usuels decroissance,
la distance à utiliser aupoint Yi dépend
de cepoint.
C’est à direqu’on
sort du contexte de lagéometrie
euclidiennequi
sert de base àl’analyse
linéaire des données. On
peut s’y
ramener enprenant
unemétrique
moyenne mais ceci n’estqu’une heuristique.
2022
Remarque :
Une similaritéquelconque
sur l’ensemble des courbes conduira à une matriceSN XN,
de similarité entre courbes. La méthoded’ACPVIB (cf.
RAO C.R[1964],
ROBERT P & al[1976],
BONIFAS L & al[1984]) permettra
de trouver lamétrique Q
àappliquer
à Y pour que laquantité ~SD - Y’QYDII2
soit minimale.
Q présente
l’inconvénient dedépendre
des observations faites et sera difficilement utilisable pour d’autres courbes.On doit remarquer pour
l’opposer
à lapartie
2.2 de ceparagraphe,
quetous les
paramètres
du modèleajusté dépendent
de toutes lesobservations. ;
Ceci entrainequ’une
erreurd’échantillonnage importante
sur l’une des observations faitesperturbe globalement
le modèle alorsqu’on pourrait espérer
que cetteperturbation
ne soit que locale.2.1.3. Troisième
approche
On
peut
associer àchaque
courbe un vecteur dedescripteurs (b1,..., bk)
considérés comme
importants
oucaractéristiques
dans le contexte de l’étudefaite : Ce seront des temps mis à atteindre certains
valeurs;
destemps passés
aux dessus d’un certain
palier;
le nombre de franchissement d’unpalier
dans untemps donné,....
Ne nions pasqu’une
bonne connaissance du contexte de l’étudepeut
conduire à unedescription
des courbespertinentes
pourl’application
faite.Comparer
les courbes entre elles conduira tout de même à calculer des distancesou des dissimilarités sur la bases de ces
descripteurs
et ilpeut
s’avérer difficile de restituer les ressemblances et dissemblances des courbes elles mêmes.Soit Y le tableau
N
x kdes descripteurs
choisis. La remarque duparagraphe
2.1.2 est valable ici aussi.
1 Analyse en Composantes Principales par rapport à des variables instrumentales.
2.2. Une
approche fondée
sur lesI-splines
L’approche proposée
reléve de la famille des méthodesqui
consistent àapprocher
toute fonction par combinaison linéaire des éléments d’une base de fonctions convenablement choisie. Suivant les travaux de RAMSAY J.O[1982a, 1988],
nous choisissons la base desI-splines.
e Les
M-splines
ont été introduites par CURRY H.B & SCHOENBERG I.J[1946] qui
en ont détaillé lesproprietés
en[1966].
Une étudecomplète
des B-splines,
fortement liées auxM-splines,
a été faite par DEBOOR[1978].
Considérons pour les
présenter
un intervalle fermé[L, U]
et s =(sl)l=1...n
un ensemble de
point
intérieurs à l’intervalle tels que pour tout ==1,..., n ; sl ~
sl+1.On notera
1[a,b[
la fonction indicatrice de l’intervalle[a, b[.
Pour tout k
supérieur
ouégal
à1,
la base desM-splines
d’ordre k est lafamille notée
(Mk,l)
définie par la famille récurrente suivante :Pour tout k >
1,
et pourtout l,
On voit que les éléments des bases des
M-splines
sont des fonctionspositives
surun intervalle et nulles ailleurs. Pour tout
couple (k, 1) ,
,fr Mk,l (x; s)dx
=1,
sibien que toute
spline
de base a lescaractéristiques
d’une densité deprobabilité.
e RAMSAY J.O
[1982a],
introduit lesI-splines
dedegré k
définies par :La
positivité
desM-splines
entraine lapositivité
et la monotonie des I-splines.
CommeIk,l(U;s)
=1 ,
on en déduit que lesI-splines
sont bornéeset donc constantes
partout
àl’exception
d’un intervalle borné.Pratiquement
sisj ~ x ~
sj+1 on montre que :Cette
propriété
estimportante
par la suite car elle montre que dans une combi- naison linéaireF(x) = 03A3mv=1 avIk,v(x;s),
la fonctionIk,v(x; s)
n’intervient que localement.e Considérons l’ensemble s =
(sl)l=1...n
depoints
suivants :On
peut
définir m = p + kI-splines
dedegré k
non nulles sur[L, U].
Eneffet,
surchaque
intervalle de la forme[sl,
sl’[,
lessplines (Mk,i)l’+k-l-1i=1
y sontlinéairement
indépendantes;
en choisissant l = ket l’
= k+ p + 1, ce qui
revient àprendre
si = Let sl
=U,
le nombre dessplines
linéairementsindépendantes
danscet intervalle est p +
k; (cf.
SCHUMAKER L[1981]).
Soit
(a0,a1,a2,...,am),
m + 1 coefficients réels. Le modèleproposé
consiste à
approcher
toute courbeC(t)
par une combinaison linéaireC (t) =
ao +
03A3mv=1 avlk,v(t;s).
On voit queê(t)
a lespropriétés
suivantes :Si on
impose
aux coefficients(ao,
al, a3, ...,a,)
d’êtrepositifs, (t),
combinaisons linéaire à coefficients
positifs
de fonctionspositives
croissantes seracroissante. Le modèle sera alors bien
adapté
àl’approximation
d’unphénomène
de croissance monotone. En dehors de cette
contrainte,
on pourraapprocher
descroissances
présentant
desrégressions
locales.La mise en
pratique
effective de la méthode demande de déterminer p eut k Depetites
valeurs de p et degrandes
valeurs de k tendent àaugmenter
le domaine surlequel
les1-splines
ne seront ninulles,
ni constantes. Ces valeurs seraient à exclure pour favoriser l’intervention locale de chacune des1-splines.
Or,
de manièrecontradictoire,
depetites
valeurs de p conduisent à unplus grand
nombres d’observations dans chacun des intervalles donc à une meilleure définition des coefficients
(a0,a1,a3,...,am).
Prenant en
compte
les remarques de WINSBERG & RAMSAY[1980]
et RAMSAY[1988]
sur cepoint
et lesayant
confirmées par nos propresexpériences,
nous avonstravaillé dans
l’exemple exposé plus
loin avec p = 3 et k = 2.Les valeurs des trois
points
intérieurs ont étéprises égales
auxquartiles
dela distribution de l’ensemble des observations faites.
3.
Exploration
d’un ensemble de courbesLes données
présentées
en introduction concernent doncN
== 18 courbes de croissances. La courbeCi
est effectivement connue en pipoints {ti,j : j
=1,···,pi}.
e 3.1. La
première étape
de l’étude consiste à substituer à chacun des ensem- bles[Ci(ti,1),..., Ci(ti,pi)]
une courbeCi(t)
de la formea’ 0
+03A3mv=1 aviIk,v(t; s)
qui
en soit laplus proche
au sens des moindres carrés. Les1-splines
étant calculéesune fois pour toute, le
probléme numérique
est extrêmementsimple
à résoudre.En l’absence de contraintes de
positivité
sur les coefficientsai .
Si on pose :(2022) Xi,
la matrice pi x(m
+1)
d’éléments :On a, selon les résultats bien connus de
l’approximation
au sens des moindres carrés :Le tableau 1 fournit les
(Ai)i
obtenus pour les courbesdisponibles.
Lafigure
1donne le tracé de
quelques
unes desapproximations.
TABLEAU I
Coefficients
d’ajustement
des courbesFig 1.1 : Ajustement de la courbe C2. Fig l.z: Ajustement de la courbe C5.
Fig 1.3: Ajustement de la courbe T2. Fig 1.4: Ajustement de la courbe T3.
Fig 1.0: Ajustement de la courbe 13.
Fig 1.6: Ajustement de la courbe 12.
Fig 1.6: Ajustement de la courbe I3.
FIGURE 1
Représentation graphique
dequelques
courbesLorsqu’on
introduit les contraintes depositivité
sur les élements deAi,
lasolution peut être obtenue par des méthodes de pas à pas, par
exemple
le programme REGCAZ d’ADDAD(cf.
BERGOUGNAN D & al[1984]),
ou encore en utilisant la méthode dugradient projeté (cf.
MINOUX M[1983]).
. 3.2. La seconde
étape
de l’étude consiste à comparer lesi(t)
entre elles.Choisissant le
produit
scalaire usuel entre courbes :et
posant Q
la matrice(m
+1)
x(m
+1)
d’élémentson a
2022
Propriété :
La matriceQ
est définiepositive.
En effet :donc
AiQA2
= 0implique a’ 0
+03A3mj=1 aijIk,j(t; s)
= 0. On a vu en(2.2)
queles
(Ik,v)
étaient des combinaisons linéaires des(Mk,j)j qui
sont elles mêmes linéairementindépendantes (cf.
SCHUMAKER L[1981]),
si bien queA’iQAi
nepeut
être nul que .siAi
est nul. Laconséquence
de ce résultat est de permettre lacomparaison
des courbes observées à travers toute méthoded’analyse
des donnéesprenant
pourpoint
dedépart
le tableau Y deligne Yi
=Ai,
et reposant sur une distance entrelignes
calculée àpartir
de lamétrique Q.
Une matrice Ddiagonale positive
donnera lepoids
que l’on veut accorder àchaque
courbe dansl’analyse.
Le tableau 2 donne la matrice
Q
obtenue pour lessplines
calculées. A titred’exemple
nous avons réalisé une classification nonhiérarchique
des courbesdisponibles
par la méthode des nuéesdynamiques.
Les tableaux 3 et
4,
donnent la constitution des formes fortes avec une hiérarchie réalisée sur les centres degravité
de ces dernières. Encoupant
l’arbre àun niveau
correspondant
à la valeur 9 pour l’indiced’agrégation,
onpeut
identifier 4 classes dont les courbes moyennes sont données à lafigure
2 .La classe
1,
formée par(FF3,FF7),
contient les individus lesplus
"lourds".La classe
4,
formée par(FF8),
contient les individus"légers".
Les classes 2 etTABLEAU II
La matrice
Q
définissant la distance entre courbesTABLEAU III Constitution des formes fortes
TABLEAU IV
Hiérarchie des formes fortes
(FF)
Présentation de la classification
hiérarchique
Courbe moyenne de la classe:1 Courbe moyenne de la classe:2
Courbe moyenne de la classe:3 Courbe moyenne de la classe:4
FIGURE 2
Représentation graphique
des courbes moyennes.3 formées
respectivement
par(FF2,FF4,FF6)
et par(FF1,FF5),
semblent différeressentiellement par une
régression
de croissance entre la 6eme et Il eme semaines.Le tableau 5 redonne les coefficients
d’ajustement
pour les courbesréorga-
nisées selon leur appartenance aux classes. Cette
réorganisation permet
de mieuxappréhender
la similitude entre coefficients pour des courbes appartenant à la même classe.TABLEAU V
Coefficients
d’ajustement
des courbes classés suivant les classes4. Mise à
l’épreuve
d’unehypothèse
A une
analyse
encomposantes principales
dutriplet (Y, Q, D)
sera associéel’inertie totale
Tr(YQY’D).
On sait que cettequantité
est une mesure de la variabilité totale des donnéesdisponibles.
Des travaux récents de SABATIER R & al
[1988],
LEBRETON J.D & al[1988],
et TERBRAAK C.J.F
[1986]
ont montréqu’il
étaitpossible
dedécomposer
lavariabilité mise en évidence par une méthode
d’analyse
des données etd’essayer
de
porter
unjugement
designificativité
de chacune de sesparts .
Dans cetesprit,
toute
partition
desN
courbes en classesdisjointes peut
être décrite par la donnée du tableaudisjonctif,
notons leZ,
de ces classes. SoitPz
=Z(Z’DZ)-1Z’D,
leprojecteur D-orthogonal
sur le sous espace deRN engendré
par les colonnes de Z.Un résultat
classique
établit que :Tr[PZYQ(PZY)’D]
est la part de la variabilité totaleexpliquée
parl’appartenance
aux classes. C’est une variabilité interclasse.
S’inspirant
desapproches
usuelles enanalyse
de variance onpeut envisager
dequantifier
la partprise
par les classes dans la variabilité par le critère :Un test de
permutation,
consistant à attribuer aléatoirementchaque
courbe à l’une des classes permettrad’apprécier
lasignification
du résultat obtenu.. Résultat du test :
On considère les trois groupes initiaux comme trois
traitements,
la distribution de la valeur testSz après
200 affectations au hasard dans ces 3 classes est donnée ci-dessous. On a situé par(.)
la valeur du critère pour larépartition
initiale engroupes. On voit que cette valeur est
dépassée plus
de 129 fois par des affectationsau
hasard,
soit dans 64.5 % des cas. On ne peut donc pas considérerqu’il
y a un effetsignificatif
des traitements.Distribution du critère
Références ’
’
[1]
BESSEP,
1979 "Etudedescriptive
d’un processus :Approximation
etinterpo-
lation" Thése de 3 °
cycle,
U.P.S Toulouse.[2]
BERGOUGNAND,
& CAZESP,
& MULLONCh,
1984 "Présentation de deux programmes derégression"
In Dataanalysis
and informaticsIII, Diday
& al(Eds),
pp 163-176.[3]
BONIFAS L & ESCOUFIER Y & GONZALEZ P.L & SABATIERR,
1984 "Choix de variables enanalyse
en composantesprincipales.", Rev.Stat.Appl., vol.32,
N°
2,
pp 5-15.[4]
CURRY H.B & SCHOENBERGI.J,
1946 "OnPolya frequency functions
IV :Thespline functions
and theirlimits",
Bull. Amer. Math. soc.(Résumé), 53,
pp 1114.[5]
CURRY H.B & SCHOENBERGI.J,
1966 "OnPolya frequency functions
IV : Thefundamental spline functions
and theirlimits",
J.d’analyse Mathématique, 17,
pp 71-107
[6]
DEBOORC,
1978 "Apractical guide
tosplines"
New YorkSpringer-Verlag.
[7]
DEVILLEJ.C,
1974 "Méthodesstatistiques
etnumériques
del’analyse
harmo-nique."
Annales del’INSEE, 15,
pp 3-101.[8]
EL FAOUZIN,
1987 "Modélisation des courbes de croissance par lesfonctions splines :
Estimation et calcul de distance entre courbes."DEA, USTL, Montpellier.
[9]
ESCOUFIERY,
1977"Operator
related to data matrix in recentdevelopment
in statistics" J.R. Barra et al
Editors, North-Holland, Publishing
company, pp 125-131.[10]
FLETCHERR,
1981 "Practical methodsof optimization 2", Wiley
New York.[11]
FREIDMAN H & SILVERMANB.W,
1989"flexible parsimonious
and additivemodeling", Technometrics, (avec discussion),
vol31, N°1,
pp 1-40.[12]
HOULLIERF,
1987"Comparaison
des courbes et modèles de croissance : Choix d’une distance entreindividus.", Statistique
etanalyse
des données vol12, N°3,
pp 17-36.[13]
LAWSON CL & HANSONRJ,
1974"Solving
least squaresproblems",
Prentice-hall.
[14]
LEBRETON J.D & CHESSEL D & PRODON R & YOCCOZN,
1988"L’analyse
des relations
espèces
milieu parl’analyse canonique
descorrespondances
-1-variables de milieu
quantitatives."
Actaoecologica - Oecologica Generalis, 9,
pp 53-67.[15]
LENOUVELJ ,
1981 "Etude d’unefamille
de courbes par des méthodesd’anlyses
de données :Application
àl’analyse morphologique
des courbes provenant de données médicales" Thése de 3°cycle,
Université de Rennes I.[16]
LIBERT G & DUPUISCh,
1981"Comparaison
de courbes de thermoluminis-cence de quartz par
l’analyse
descoefficients d’autocorrélation",
Rev. Stat.Appl., vol.29,
N°4,
pp 51-59.[17]
MINOUXM,
1983"Programmation mathématique"
Tome1,
Dunod.[18]
RAMSAYJ.O,
1982a "Some statisticalapproches
to MultidimentionalScaling
Data",
J.R.S.S,145, part 3,
pp 285-312.[19]
RAMSAYJ.O,
1982b "When data arefunctions", Psychometrika, vol.47,
pp 379-396.[20]
RAMSAYJ.O,
1988 "Monotonerégression splines
inaction",
Statistical Sciences Vol3,
N°4,
pp 425-461[21] RAO C,
1964 "The use andinterpretation of principal
componentanalysis
inapplied
research"Sankya,
Ser.A, 26,
pp 329-359.[22]
ROBERT P & ESCOUFIERY,
1976 "Aunifying
toolfor
linear multivariate statistical methods : TheRv-coefficient" App. Stat, 15, 3,
pp 257-265.[23]
SABATIER R & LEBRETON J.D & CHESSELD,
1988"Principal
componentanalysis
with instrumental variables as atool for modelling composition
data"In
Multiway
DataAnalysis,
pp.341-352, Coppi
& al(Eds),
Amsterdam.[24]
SAIHA,
1985"Analyse
etcomparaison
des courbes de croissance : Méthodeset
programmes.",
Thèse de 3°cycle,
USTLMontpellier.
[25]
SAPORTAG ,
1981 "Méthodesexploratoires d’analyses
des données tempo- relles " Thèsed’etat,
U.M.C Paris VI.[26]
SCHUMAKERL,
1981"Spline functions :
Basictheory", Wiley
Interscience.[27]
TER BRAAKC,
1986 "Theanalysis of vegetation-environement relationship by
canonical
correspondence analysis", Vegetatio 69,
pp 69-77.[28]
WINSBERG S & RAMSAYJ.O,
1980 "Monotonictransformations
toadditivity using splines",
Biometrika67,
pp 669-676.[29]
WINSBERG S & RAMSAYJ.O,
1981"Analysis of pairwise preferences
datausing integrated B-splines." Psychometrika, 46,
pp 171-186.[30]
WRIGHT W & WEGMANE,
1980 "Isotonic convex and relatedsplines",
annalsof