Sharing pictures from holidays in the Canadian Rockies (with R)

My kids have a very popular blog (at least among their grandmothers) where they frequently post pictures from everyday’s life (since they live 5000km from them), as well as pictures taken from holidays. This afternoon, I tried to used the popupImage function from the leaflet package to post pictures, on a map (to explain where we spent our holiday this summer). This post is just to keep tracks of that code.

First, we need to load the appropriate R packages

library(leaflet) library(mapview)

Then, we take a picture, and we locate it, for instance Mirror Lake (on the trail to Lake Agnes). Since leaflet uses openstreetmap, I recommend to use it also for location (and not google maps… coordinates can be slightly different)

df=data.frame(lat =51.41603, long=-116.23946, nom = "Miror Lake",photo="http://freakonometrics.free.fr/jaspeR/_DSC5967.jpg")

I guess you can also use the metadata if you take pictures with a cell phone, and you add the location… but I am (very) old fashioned, and still use a camera to take pictures. Then you can add a dozen pictures

df=rbind(df, data.frame(lat =51.4164, long=-116.2442, nom = "Lake Agnes",photo="http://freakonometrics.free.fr/jaspeR/_DSC6003.jpg")) df=rbind(df, data.frame(lat =51.3215642,long=-116.193718, nom="Moraine Lake",photo="http://freakonometrics.free.fr/jaspeR/_DSC5957.jpg"))

From that dataframe, we need two kinds of information: the location, and the url of the picture,

data_df=df[,c("lat","long")] images = as.character(df$photo) Then we can create the leaflet map (sorry for typos, but wordpress converts the > symbol into some “&gt;” characters… which makes R pipe operator hard to read) m = leaflet(data_df) %&gt;% addTiles() %&gt;% addCircleMarkers( fillOpacity = 0.8, radius = 5, lng = ~long, lat =~lat, popup = popupImage(images) ) and export it (in a nice html file) library(htmlwidgets) saveWidget(m, file="jaspR.html") Time for a summer break Time for a break ! So guess what ? The blog will be off during a few days… See you in August ! Machine Learning in Actuarial Science and Insurance This week is organized the summer school on machine learning for economists and applied social scientists. I will be giving an (online) lecture this Thursday, on Machine Learning in Actuarial Science & Insurance, with a great program, • 10am – 10:55am : Juri Marcucci: Machine Learning in Macroeconomics • 11am – 11:55am : Arthur Charpentier: Machine Learning in Actuarial Science & Insurance • 12pm – 12:55pm : Arthur Spirling : Machine Learning in Embeddings Representations • 1pm – 1:55pm : Kathy Baylis: Machine Learning in Agricultural Economics • 2pm – 2:55pm : Stefan Wager : Machine Learning in Causal Inference • 10am – 10:55am : Stan Matwin : Machine Learning and Data Privacy • 11am – 11:55am : Mehmet Caner : Machine Learning in Econometrics • 12pm – 12:55pm : Anders Bredahl Kock : Machine Learning in Model Selection • 1pm – 1:55pm : Dario Sansone: Machine Learning in Education and Development Economics • 2pm – 2:55pm: Patrick Baylis :Temperature and Temperament: Evidence from Twitter My slides are now online, Régression sur des variables corrélées, un peu de géométrie Depuis quelques jours, je mets en ligne des billets sur la régression sur des variables corrélés, en commençant par du deuxième effet kiss-cool suivi d’un court billet sur des régressions en cascade. Oui, depuis le premier, mon collègue Olivier ne cesse de demander des compléments. Alors ce soir, on va faire des dessins… On a ici 3 vecteurs, $\color{red}{\vec{x_1}}$, $\color{green}{\vec{x_2}}$ et $\color{blue}{\vec{y}}$. Pour rappel, la longueur de mes vecteurs, c’est la variance de la variable associée, $\|{\color{red}{\vec{x_1}}}\|=\text{Var}({\color{red}{x_1}})$. Et commençons par supposer que les variables $\color{red}{x_1}$ et $\color{green}{x_2}$ sont indépendantes (ou plus simplement non-corrélées) soit ${\color{red}{\vec{x_1}}}\perp\color{green}{\vec{x_2}}$. C’est le dessin ci-dessous, La régression linéaire multiple est ici équivalente aux régressions simples, comme on en parlait dans les billets précédant. Géométriquement, on voit que les coordonnées de la projection de $\color{blue}{\vec{y}}$ sur l’espace engendré par $\color{red}{\vec{x_1}}$ et $\color{green}{\vec{x_2}}$ (c’est à dire le plan $(x,y)$) correpond au point noir. C’est la régression multiple. Les deux régressions simples sont obtenus en projetant respectivement sur sur l’espace engendré par $\color{red}{\vec{x_1}}$ (c’est à dire la droite $(x)$) et sur $\color{green}{\vec{x_2}}$ (c’est à dire la droite $(y)$). Supposons maintenant que $\color{red}{\vec{x_1}}$ et $\color{green}{\vec{x_2}}$ ne sont plus orthogonaux. Plus précisément, on va garder $\color{red}{\vec{x_1}}$ et $\color{blue}{\vec{y}}$ inchangés, et on va changer , $\color{green}{\vec{x_2}}$, tout en gardant la norme $\|\color{green}{\vec{x_2}}\|$ inchangée. C’est ce qu’on a sur le schéma ci-dessous On avait vu qu’on ne pouvait plus faire deux régressions indépendantes, mais qu’on pouvait garder la première, et en faire ensuite une seconde, mais en faisant un peu attention. Pour la première régression, on va projeter $\color{blue}{\vec{y}}$ sur $\color{red}{\vec{x_1}}$ et ca c’est facile, rien n’a changé, Pour la seconde étape, rappelons qu’on doit projeter à la fois $\color{blue}{\vec{y}}$ et $\color{green}{\vec{x_2}}$ sur l’orthogonal de $\color{red}{\vec{x_1}}$, c’est à dire ici le plan $(y,z)$, en rouge ci-dessous (je renvois au précédant billet pour les formules algébriques). On obtient alors les projections suivantes, qu’on pourrait noter $\Pi_{\color{red}{x_1^{\perp}}}\color{blue}{\vec{y}}$ et $\Pi_{\color{red}{x_1^{\perp}}}\color{green}{\vec{x_2}}$ On le voit, si on regarde sur le mur du fond, en rouge, la projection de $\Pi_{\color{red}{x_1^{\perp}}}\color{blue}{\vec{y}}$ sur $\Pi_{\color{red}{x_1^{\perp}}}\color{green}{\vec{x_2}}$ est un peu plus grande, autrement dit, le coefficient de la régression simple sera un peu plus grand. En fait, si on veut faire des calculs, on voit que le sinus de l’angle $\langle\color{red}{\vec{x_1}},\color{green}{\vec{x_2}}\rangle$ va intervenir ici… Plus l’angle $\langle\color{red}{\vec{x_1}},\color{green}{\vec{x_2}}\rangle$ sera petit, plus les variables seront corrélées, et plus la correction sera importante. Graphiquement, la correction dont je parle, c’est le petit segment, à gauche sur le dessin Mais simulons quelques données pour visualiser tout ça… library(mnormt) n=10000 r=0 set.seed(1) Z=cbind(rnorm(n)*sqrt(2),rnorm(n)*sqrt(3)) df=data.frame(y=Z[,1]+Z[,2]+rnorm(n)*sqrt(3),x1=Z[,1],x2=Z[,2]) On simule ici des variables explicatives indépendamment. Et on peut vérifier que les distances sont bien celles de notre dessin var(df$x1) [1] 2.049731 var(df$x2) [1] 2.810419 var(df$y) [1] 8.066665

et en plus, les variables sont quasiment orthogonales

cor(df$x1,df$x2) [1] 0.004845078

Si on fait la régression multiple

reg=lm(y~0+x1+x2,data=df) summary(reg)   Coefficients: Estimate Std. Error t value Pr(|t|) x1 0.99904 0.01219 81.94 2e-16 *** x2 1.00090 0.01017 98.40 2e-16 ***

On a des coefficients qui sont identiques (à très peu de choses près, mais le soucis vient du fait que j’ai enlevé la constante du modèle pour coller au mieux avec mon dessin)

reg1=lm(y~0+x1,data=df) summary(reg1)   Coefficients: Estimate Std. Error t value Pr(|t|) x1 1.00489 0.01711 58.75 2e-16 ***

et pour la seconde régression aussi

reg2=lm(y~0+x2,data=df) summary(reg2)   Coefficients: Estimate Std. Error t value Pr(|t|) x2 1.00496 0.01315 76.42 2e-16 ***

On a déjà parlé de ce résultat longuement (je renvoie au précédant billet, des régressions en cascade). Regardons maintenant ce qui se passe si on garde nos observations $\color{blue}{y_i}$, $\color{red}{x_{1,i}}$ mais que maintenant, la variable $\color{red}{x_{2,i}}$ se retrouve corrélée avec $\color{red}{x_{1,i}}$ , disons avec une corrélation de l’ordre de 0.4

r=.4 df$x2=r*df$x1+sqrt(1-r^2)*df$x2 cor(df$x1,df$x2) [1] 0.3461496 Faire la régression multiple donne ici reg=lm(y~0+x1+x2,data=df) summary(reg) Coefficients: Estimate Std. Error t value Pr(|t|) x1 0.5622 0.0130 43.26 2e-16 *** x2 1.0921 0.0111 98.40 2e-16 *** ce qui est différent des régressions simples, comme la première reg1=lm(y~0+x1,data=df) summary(reg1) Coefficients: Estimate Std. Error t value Pr(|t|) x1 1.00489 0.01711 58.75 2e-16 *** Ce que nous dit le théorème de Frisch-Waugh, c’est qu’on peut faire des régressions en cascades: on peut garder cette première régression, mais pour la seconde, on va régresser les projections sur l’orthogonal à $\color{red}{\vec{x_1}}$ (le mur en rouge au fond dans notre dessin). Ici, on obtient reg2bis=lm(residuals(lm(y~x1,data=df))~residuals(lm(x2~x1,data=df))) summary(reg2bis) Coefficients: Estimate Std. Error t value Pr(|t|) residuals(2) 1.0921 0.0111 98.4 2e-16 *** qui donne effectivement un coefficient de régression un peu supérieur à celui que nous avions auparavant, comme nous l’observions sur le dessin. En fait on peut remarquer que la différence relative s’obtient très facilement avec la corrélation 1/sqrt(1-r^2) [1] 1.091089 et pour rappel, d’un point de vue géométrique, la corrélation est un cosinus d’un angle, $r=\cos(\langle\color{red}{\vec{x_1}},\color{green}{\vec{x_2}}\rangle)$. Autrement dit $\sqrt{1-r^2}=\sin(\langle\color{red}{\vec{x_1}},\color{green}{\vec{x_2}}\rangle)$, c’est à dire que la correction est directement liée au sinus de l’angle $\langle\color{red}{\vec{x_1}},\color{green}{\vec{x_2}}\rangle$, comme mentionné auparavant… amusant, non? Des régressions en cascade Cette fin de semaine, je mettais en ligne un court billet du deuxième effet kiss-cool où je rappelais que quand on fait une régression sur plusieurs variables explicatives corrélées, ce n’est pas équivalent à faire plusieurs régressions simple. C’est ce que disait le théorème de Frisch-Waugh, publié il y a près de 90 ans. Mais je glissais qu’il était possible de faire des régressions en cascade, sans aller beaucoup plus loin. Il faut relire l’article de Michael Lovell qui donner une interprétation géométrique de ce dessin. Mais programmons le, pour le voir… Considérons une base avec 3 variables explicatives, correspondant à des nombres d’incendies à Chicago chicago=read.table("http://freakonometrics.free.fr/chicago.txt", header=TRUE,sep=";") La régression multiple s’écrit ici$$y_i=\beta_0+\beta_1 x_{1,i}+\beta_2 x_{2,i}+\beta_3 x_{3,i}+\varepsilon_i$$On peut estimer ces paramètres par moindre carrés, reg=lm(Fire~.,data=chicago) summary(reg) Coefficients: Estimate Std. Error t value Pr(|t|) (Intercept) 22.07525 6.19447 3.564 0.000910 *** X_1 -0.62764 5.28130 -0.119 0.905953 X_2 0.22378 0.06161 3.632 0.000744 *** X_3 -1.55059 0.38195 -4.060 0.000204 *** et on a alors la prévision suivante $$\widehat{y}_i=\widehat{\beta}_0+\widehat{\beta}_1 x_{1,i}+\widehat{\beta}_2 x_{2,i}+\widehat{\beta}_3 x_{3,i}$$En fait, je peux même visualiser cette prévision. BC = cbind(x0=coefficients(reg)[1], x1=coefficients(reg)[2]*chicago[,2], x2=coefficients(reg)[3]*chicago[,3], x3=coefficients(reg)[4]*chicago[,4], yp=predict(reg),y=chicago$Fire) colr = 1:4 dessin_fire = function(i,BC=BC){ plot(0:3,0:3,xlim=c(0,35),col="white",ylim=c(-1,3),xlab="",ylab="",axes=FALSE) abline(v=BC[i,1],lty=2) rect(BC[i,1],3,BC[i,1]+BC[i,2],2,col=colr[1],border=NA) arrows(BC[i,1],2.5,BC[i,1]+BC[i,2],2.5,lwd=2,length=.1,col="white") rect(BC[i,1]+BC[i,2],2,BC[i,1]+BC[i,2]+BC[i,3],1,col=colr[2],border=NA) arrows(BC[i,1]+BC[i,2],1.5,BC[i,1]+BC[i,2]+BC[i,3],1.5,lwd=2,length=.1,col="white") rect(BC[i,1]+BC[i,2]+BC[i,3],1,BC[i,1]+BC[i,2]+BC[i,3]+BC[i,4],0,col=colr[3],border=NA) segments(BC[i,5],0,BC[i,5],1,lwd=3) arrows(BC[i,1]+BC[i,2]+BC[i,3],.5,BC[i,1]+BC[i,2]+BC[i,3]+BC[i,4],.5,lwd=2,length=.1,col="white") abline(v=BC[i,1],lty=2) rect(BC[i,5],-1,BC[i,6],0,col=colr[4],density=20,border=NA) segments(BC[i,6],0,BC[i,6],-1,lwd=3,col=colr[4]) text(26,2.5,expression(X[1]),pos=4,col=colr[1]) text(26,1.5,expression(X[2]),pos=4,col=colr[2]) text(26,.5,expression(X[3]),pos=4,col=colr[3]) text(26,-.5,expression(epsilon),pos=4,col=colr[4]) axis(1)}

Par exemple, pour la douzième observation de ma base

dessin_fire(12)

on obtient

On lit de haut en bas : on commence par constante, vers 22. Puis on rajoute trois fois rien, parce que $x_1$ était non-significative dans notre régression. Puis on rajoute un petit quelque chose à cause de $x_2$, pour passer à 25, et $x_3$ nous fait plonger de plus de 20 points, pour finir vers 3.67.Le trait noir est la prévision que l’on obtient, à partir des trois variables. En bleu, on peut même voir l’erreur.

On peut noter que $x_1$ est non-significative, tout en étant relativement corrélée avec $y$

cor(chicago[,1:2]) Fire X_1 Fire 1.0000000 0.3773486 X_1 0.3773486 1.0000000

Car si $x_1$ est non-significative, c’est parce que cette variable est très corrélée avec une autre variable explicative. En fait, on peut faire une série de régressions en cascade, en commençant par $x_1$, et plus spécifiquement, on peut écrire$$\widehat{y}_i=\underbrace{\widehat{b}_0+\widehat{b}_1 x_{1,i}}_{(1)}+\underbrace{\widehat{b}_{0,2}+\widehat{b}_2 \tilde{x}_{2,i}}_{(2)}+\underbrace{\widehat{b}_{0,3}+\widehat{b}_3 \tilde{x}_{3,i}}_{(3)}$$où le premier terme $(1)$ est obtenu en régression simplement $y$ sur $x_1$ (oui, on fait juste une régression simple),  $$y_i=b_0+b_1 x_{1,i}+\eta_i$$puis on apporte une petite correction, pour tenir compte de ce que nous apprend $x_2$ une fois la première régression effectuée. C’est exactement ce que raconte le théorème de Frish-Waugh : on va projeter $y$ sur $x_1^{\perp}$ (car c’est justement ce que $x_1$ n’explique pas), et $x_2$ sur $x_1^{\perp}$  et faire la régression de ces deux projections, soit, pour $(2)$ $$\Pi_{x_1^{\perp}}y_i=b_{0,2}+b_2 \Pi_{x_1^{\perp}}x_{2,i}+\eta_{2,i}$$puis pour $(3)$ $$\Pi_{(x_1,x_2)^{\perp}}y_i=b_{0,3}+b_3 \Pi_{(x_1,x_2)^{\perp}}x_{3,i}+\eta_{2,i}$$En terme informatique, cela donne

reg1=lm(Fire~X_1,data=chicago) reg2=lm(residuals(lm(Fire~X_1,data=chicago))~residuals(lm(X_2~X_1,data=chicago))) reg3=lm(residuals(lm(Fire~X_1+X_2,data=chicago))~residuals(lm(X_3~X_1+X_2,data=chicago)))

soit ici

BC123=cbind(x0=coefficients(reg1)[1], x1=coefficients(reg1)[2]*chicago[,2], x2=coefficients(reg2)[1]+coefficients(reg2)[2]*residuals(lm(X_2~X_1,data=chicago)), x3=coefficients(reg3)[1]+coefficients(reg3)[2]*residuals(lm(X_3~X_1+X_2,data=chicago)), yp=predict(reg),y=chicago$Fire) En adaptant la fonction de dessin précédante on obtient dessin_fire_123(12) Autrement dit, on commence avec une régression simple, en rouge: on part d’une constante vers 3.5, puis on augemente notre prévision, en tenant compte de $x_1$. Puis on corrige avec $x_2$ (ou plutôt la partie de $x_2$ non expliquée par $x_1$). sur ce qui n’avait pas été expliqué auparavant, ce qui pousse à revoir un peu à la baisse notre prévision, puis on tient compte de $x_3$ (ou là encore, sa projection sur l’orthogonal de $x_1$ et $x_2$). On note que la prévision est très exactement la même qu’auparavant. Mais on peut aller plus loin… pourquoi commencer par $x_1$? On peut aussi commencer par $x_2$. On considère alors$$\widehat{y}_i=\underbrace{\widehat{b}_0+\widehat{b}_2 x_{2,i}}_{(2)}+\underbrace{\widehat{b}_{0,1}+\widehat{b}_1 \tilde{x}_{1,i}}_{(1)}+\underbrace{\widehat{b}_{0,3}+\widehat{b}_3 \tilde{x}_{3,i}}_{(3)}$$où le premier terme $(2)$ est obtenu en régression simplement $y$ sur $x_2$$$y_i=b_0+b_2 x_{2,i}+\eta_i$$puis on apporte une petite correction, pour tenir compte de ce que nous apprend $x_1$ une fois la première régression effectuée, $(1)$ $$\Pi_{x_2^{\perp}}y_i=b_{0,1}+b_1\Pi_{x_2^{\perp}}x_{1,i}+\eta_{1,i}$$puis pour $(3)$ $$\Pi_{(x_1,x_2)^{\perp}}y_i=b_{0,3}+b_3 \Pi_{(x_1,x_2)^{\perp}}x_{3,i}+\eta_{2,i}$$ Soit reg1=lm(Fire~X_2,data=chicago) reg2=lm(residuals(lm(Fire~X_2,data=chicago))~residuals(lm(X_1~X_2,data=chicago))) reg3=lm(residuals(lm(Fire~X_1+X_2,data=chicago))~residuals(lm(X_3~X_1+X_2,data=chicago))) BC213=cbind(x0=coefficients(reg1)[1], x1=coefficients(reg1)[2]*chicago[,3], x2=coefficients(reg2)[1]+coefficients(reg2)[2]*residuals(lm(X_1~X_2,data=chicago)), x3=coefficients(reg3)[1]+coefficients(reg3)[2]*residuals(lm(X_3~X_1+X_2,data=chicago)), yp=predict(reg),y=chicago$Fire)

et visuellement, on obtient

dessin_fire_213(12)

Cette fois, la constante est un peu plus élevée, et on commence par faire une régression seulement avec $x_2$, pour arriver un peu en dessous de 10. Puis on corrige. On note que cette seconde correction nous ramène… très exactement comme dans le cas précédant. Mais si on pense en projection successives, on ne doit pas être surpris.

On peut récapituler avec une autre prévision, soit avec le modèle de régresion multiple (mais là encore, $x_1$ n’explique pas grand chose)

dessin_fire(15)

soit en commencant par une régression simple sur $x_1$ puis en faisant des régression en cascade,

dessin_fire_123(15)

soit, alternativement, en commencant par une régression simple sur $x_2$

dessin_fire_213(15)

Comme annoncé, cette trois approches sont équivalentes, et donnent très exactement la même prévision.

Regression discontinuity model for TV series

In September, we are usually happy to see our favorite TV series back on air… Or not? Because, admit it, if we are happy to see those characters back, most of the time, we are disappointed, too. So why not look at the data, to confirm this feeling? Nazareno Andrade shared some nice codes to get IMDB ratings in a nice csv file (you can either use the large csv file, or run your own codes)

download.file("https://github.com/nazareno/imdb-series/raw/master/data/series_from_imdb.csv", destfile="series_from_imdb.csv") base = read.csv("series_from_imdb.csv")

It is a large dataset, with more than 64,000 episodes of almost 890 TV series,

str(base) 'data.frame': 64018 obs. of 18 variables: $series_name: Factor w/ 889 levels "'Allo 'Allo!",..: 137 137 137 137 137 137 137 137 137 137 ...$ episode : Factor w/ 54090 levels "-30-","¡Viva los muertos!",..: 32314 7446 16 7176 17748 9562 1379 36218 17845 5553 ... $series_ep : int 1 2 3 4 5 6 7 8 9 10 ...$ season : int 1 1 1 1 1 1 1 2 2 2 ... $season_ep : int 1 2 3 4 5 6 7 1 2 3 ...$ user_rating: num 8.9 8.7 8.7 8.2 8.3 9.2 8.8 8.7 9.2 8.3 ...

Just pick a TV series, for instance Dan Harmon’s Community,

sbase = base[base$series_name=="Community",] We can plot the evolution of the rating over the 110 episodes. sbase=sbase[!duplicated(sbase[,c(1,2,4,5)]),] sbase$series_ep=1:nrow(sbase)

()since there could be some problem with the data (such as duplicates, let us clean it quickly)

plot(sbase$series_ep,sbase$UserRating,xlab=sbase$series_name[1]) idx=c(0,which(diff(sbase$season)!=0),nrow(sbase)) abline(v=idx+.5,lty=2,col=colr[2]) a = unique(sbase$season) for(u in a){ ssbase = sbase[sbase$season==u,] reg = lm(UserRating~series_ep,data=ssbase) lines(ssbase$series_ep,predict(reg),col=colr[3],lwd=2) } The vertical lines are here to visualize the seasons. On issue is that the lenght can vary with time. Consider Linwood Boomer’s Malcom in The Middle, sbase = base[base$series_name=="Malcolm in the Middle",]

or Craig Thomas and Carter Bays’s How I Met Your Mother,

sbase = base[base$series_name=="How I Met Your Mother",] On those two, the evolution is rather stable. Look at AMC’s The Walking Dead, sbase = base[base$series_name=="The Walking Dead",]

Now, look at Howard Gordon and Alex Gansa’s Homeland,

sbase = base[base$series_name=="Homeland",] There is an issue here with the last episode of season4, “Long Time Coming“, that has a very poor rating. If we remove that point, we get the thin line. Note that the regression line is always increasing. For Michael Hirst’s Vickings, we have sbase = base[base$series_name=="Vicking",]

If we look more carefully on the previous graph, for five seasons (out of six), we have a positive slope. Well, to be honest, it is not significantly positive most of the time, but still. Out of 80 shows, and a total of 583 seasons, the slope is postive 75% of the time (433) and negative 25% of the time (150).

BASE = NULL L80 = unique(base$series_name) for(j in 1:length(L)){ sbase=base[base$series_name==L[j],] sbase=sbase[!duplicated(sbase[,c(1,2,4,5)]),] sbase=sbase[sbase$season&gt;0,] sbase$series_ep=1:nrow(sbase) a=unique(sbase$season) a=a[!is.na(a)] for(u in a){ ssbase=sbase[sbase$season==u,] reg=lm(UserRating~series_ep,data=ssbase) pente = NA if((!is.na(coefficients(reg)[2]))&amp;(!is.na((summary(reg)$coefficients[2,4])))){ if((summary(reg)$coefficients[2,4]&lt;.05)&amp;(coefficients(reg)[2]&gt;0)) pente="positive" if((summary(reg)$coefficients[2,4]&lt;.05)&amp;(coefficients(reg)[2]&lt;0)) pente="negative" sdf=data.frame(nom=sbase$series_name[1],season=u,slope=coefficients(reg)[2],inf=confint(reg)[2,1],sup=confint(reg)[2,2],signe=pente) BASE=rbind(BASE,sdf)} }} str(BASE) 'data.frame': 583 obs. of 6 variables: $nom : Factor w/ 80 levels "Friends","Game of Thrones",..: 1 1 1 1 1 1 1 1 1 1 ... mean(BASE$slope&gt;0) [1] 0.7427101 table(BASE$signe) negative positive 15 144 Most of the time, the slope is not significant. To be more specific, 72% of the time, the slope is not significant. But when it is, 90% of the time, it is positive (144 seasons). Let us look at other TV series, for instance Joel Surnow and Robert Cochran’s 24, sbase = base[base$series_name=="24",]

Álex Pina’s La Casa de Papel,

sbase = base[base$series_name=="La Casa de Papel",] Steven Knight’s Peaky Blinders, sbase = base[base$series_name=="Peaky Blinders",]

or David Simon’s The Wire,

sbase = base[base$series_name=="The Wire",] The slope is increasing over almost all seasons. But a major drawback is that when we get back to our show, for a new season, we usually get disapointed. More specifically, we can quantify the difference in red below that can be estimated using sbase12 = sbase[sbase$season%in%c(a[ij],a[ij+1]),] seuil = sbase12$series_ep[which(diff(sbase12$season)!=0)]+.5 s = function(x) (x-seuil)*(x&gt;seuil) reg = lm(UserRating~series_ep+s(series_ep)+I(series_ep&gt;seuil),data=sbase12)

Here we have

summary(reg) Coefficients: Estimate Std. Error t value Pr(|t|) (Intercept) 8.45000 0.16338 51.719 2e-16 *** series_ep 0.10000 0.03235 3.091 0.008598 ** s(series_ep) 0.02000 0.04218 0.474 0.643291 I(series_ep)TRUE.  -1.01778 0.20486 -4.968 0.000257 ***

so the drop of 1 point (out of 10) cannot be claimed as being significant. That is the idea of regression discontinuity.

If we loop again over all our series, we have 485 pairs of consecutive seasons. As expected, in 75% of the casse, from season $t-1$ to season $t$, we observe a negative rupture. As previously, in 70% of the cases, it is not significat (with linear models before and after), and when it is significant, it is negative in 96% of the cases ! But an alternative can be to use nonparametric models, on both sides.

To illustrate, consider David Benioff and D. B. Weiss’s Game of Thrones,

sbase = base[base$series_name=="Game of Thrones",] but let us remove the last season (no spoiler here, but clearly not worst watching) Consider for instance the drop between season 1 and season 2, library(rdd) sbase12=sbase[sbase$season%in%c(1,2),] lmr=RDestimate(UserRating~series_ep,data=sbase12,cutpoint=mean(range(sbase12$series_ep))) plot(lmr) This is very consistent with what we observed with our linear regressions actually, seuil=10.5 s = function(x) (x-seuil)*(x&gt;seuil) reg = lm(UserRating~series_ep+s(series_ep)+I(series_ep&gt;seuil),data=sbase12) summary(reg) Coefficients: Estimate Std. Error t value Pr(|t|) (Intercept) 8.70000 0.15458 56.281 2e-16 *** series_ep 0.07273 0.02491 2.919 0.01003 * s(series_ep) 0.01455 0.03523 0.413 0.68520 I(series_ep)TRUE -0.94000 0.20316 -4.627 0.00028 *** Here, the drop of one point is significant… So, your favorite show had an outstanding finale ? and you can’t wait to watch the new season… Well, statistically, it’s very likely that you will be disapointed by the first episode of the forthcoming season… Du deuxième effet kiss-cool (régression multiple, scoring et évaluation) Lorsque j’étais petit (il y a fort longtemps, à une époque où je regardais pas mal la télévision) il y avait une publicité pour les pastilles kiss cool, Et quand je présente la régression multiple à mes étudiants, je ne peux m’empêcher d’y penser… Mais avant d’aller plus loin sur le parallèle, faisons un peu de mathématiques. Les techniques de régression permettent d’avoir des jolis théorèmes, souvent d’une portée incroyablement générale (moyennant quelques petites hypothèses techniques). Par exemple le théorème de Frisch-Waugh, en régression multiple, dont j’ai déjà parlé dans des vieux billets. Un des corolaires est que lorsque les variables explicatives dans un modèle de régression sont orthogonales, la régression multiple correspond à une collection de régressions simples (autrement dit, les estimateurs par moindres carrés coïncident). Formellement, si on considère le modèle$$y_i=\beta_0+\beta_1x_{1,i}+\beta_2x_{2,i}+\varepsilon_i$$(avec les hypothèses usuelles des modèles de régression) alors, si les variables $x_1$ et $x_2$ sont non-corrélées, $\widehat{\beta}_1$ coïncide avec $\widehat{b}_1$ dans le modèle$$y_i=b_0+b_1x_{1,i}+\eta_i$$On peut faire une petite simulation pour confirmer (sinon, bien entendu, on peut regarder la démonstration qui se trouve dans tous les livres d’économétrie, qui est d’ailleurs un simple résultat d’algèbre linéaire, ou de géométrie, avec des projections successives sur des sous-espaces orthogonaux – même si c’est à Michael Lovell que l’on doit l’approche géométrique). library(mnormt) r = 0 S = matrix(c(1,r,r,1),2,2) n = 1000 set.seed(1) X = rmnorm(n,c(0,0),S) E = rnorm(n,0,.3) Y = 2+X[,1]-2*X[,2]+E base = data.frame(Y=Y-mean(Y),X1=X[,1]-mean(X[,1]),X2=X[,2]-mean(X[,2])) Petite note technique: je vais centrer les variables, histoire de ne pas avoir à garder la constante dans mon modèle (qui va compliquer les notations, et potentiellement embrouiller un peu le billet). La constante est nulle ici, on le voit, reg = lm(Y~X1+X2,data=base) summary(reg) Coefficients: Estimate Std. Error t value Pr(|t|) (Intercept) 7.449e-18 9.777e-03 0.0 1 X1 1.012e+00 9.171e-03 110.3 2e-16 *** X2 -1.988e+00 9.719e-03 -204.6 2e-16 *** Bref, je régresse sans constante reg = lm(Y~0+X1+X2,data=base) summary(reg) Coefficients: Estimate Std. Error t value Pr(|t|) X1 1.011520 0.009166 110.3 2e-16 *** X2 -1.988321 0.009714 -204.7 2e-16 *** Maintenant, on va regarder les deux régressions simple reg1 = lm(Y~0+X1,data=base) summary(reg1) Coefficients: Estimate Std. Error t value Pr(|t|) X1 1.01300 0.06006 16.86 2e-16 *** quand on régresse juste sur la première variable, et pour la seconde, on obtient reg2 = lm(Y~0+X2,data=base) summary(reg2) Coefficients: Estimate Std. Error t value Pr(|t|) X2 -1.98916 0.03528 -56.39 2e-16 *** Autrement dit, nos estimateurs sont très proches (si on avait laissé la constante, ils coïncideraient). Maintenant, le gros soucis est que ce résultat n’est plus valide lorsque les variables explicatives sont corrélées. Le théorème de Frisch-Waugh nous explique comment ces estimateurs divergent, mais le point ici est que si les variables sont corrélées, utiliser les régressions simples donne deux estimateurs biaisés des vrais paramètres (du modèle multiple). Recommençons l’exercice précédant r=.9 S=matrix(c(1,r,r,1),2,2) set.seed(1) X=rmnorm(n,c(0,0),S) Y = 2+X[,1]-2*X[,2]+E base = data.frame(Y=Y-mean(Y),X1=X[,1]-mean(X[,1]),X2=X[,2]-mean(X[,2])) reg = lm(Y~X1+X2,data=base) summary(reg) reg = lm(Y~0+X1+X2,data=base) summary(reg) Coefficients: Estimate Std. Error t value Pr(|t|) X1 0.98740 0.02205 44.79 2e-16 *** X2 -1.97321 0.02229 -88.54 2e-16 *** (on retrouve des valeurs proches de celles utilisées pour simuler nos données, donc tout va bien). En revanche, pour les régressions simples, on obtient reg1 = lm(Y~0+X1,data=base) summary(reg1) Coefficients: Estimate Std. Error t value Pr(|t|) X1 -0.78784 0.02726 -28.9 2e-16 *** et reg2 = lm(Y~0+X2,data=base) summary(reg2) Coefficients: Estimate Std. Error t value Pr(|t|) X2 -1.06543 0.01607 -66.31 2e-16 *** Autrement dit, $\widehat{b}_1\neq \widehat{\beta}_1$ (et pareil pour le second). Ce qui signifie que si on construit une prévision à partir de ce modèle, $\widetilde{y}_i=\widehat{b}_1x_{1,i}+\widehat{b}_2x_{2,i}$, on sera potentiellement très loin de la “bonne” prévision $\widehat{y}_i=\widehat{\beta}_1x_{1,i}+\widehat{\beta}_2x_{2,i}$ (qui sera sans biais, etc, je renvoie ici vers n’importe quel cours d’économétrie). On peut le voir sur un dessin, Yp=reg1$coefficients[1]*base$X1+reg2$coefficients[1]*base$X2 plot(base$Y,predict(reg),ylim=range(Yp),col=rgb(0,0,1,.5),cex=.7,xlab="observé",ylab="prédit") abline(a=0,b=1,lty=2) points(base$Y,Yp,col=rgb(1,0,0,.5),cex=.7) abline(lm(predict(reg)~base$Y),col="blue") abline(lm(Yp~base$Y),col="red") En bleu, on a les prévisions avec le modèle linéaire multiple, et en rouge, en faisant deux régressions indépendantes… Si on regarde sur la droite, le modèle rouge sur-valorise, ou disons sur-estime largement, alors qu’il sous-valorise à gauche. La différence entre les deux droites s’interprète ici comme un biais. Sur le graphique ci-dessous, on peut visualiser la distribution des $\widetilde{y}_i=\widehat{b}_1x_{1,i}+\widehat{b}_2x_{2,i}$, en rouge, et les $\widehat{y}_i=\widehat{\beta}_1x_{1,i}+\widehat{\beta}_2x_{2,i}$ , en bleu. Cet excès de dispersion, de variance, qu’on observe sur les points rouges, j’interprète ça comme de la polarisation plot(density(Yp),col="red")lwd=2) lines(density(predict(reg)),col="blue",lwd=2) En fait, ce que raconte le théorème de Frisch-Waugh (et je renvoie à mon précédant billet pour plus de détails), c’est qu’on a le droit de faire plusieurs régressions, mais en cascade ! et surtout pas indépendamment : je peux expliquer $y$ avec la première variable $x_1$, et ensuite régresser le résidu (ce qu’on n’a pas pu expliquer) sur la seconde $x_2$. Cette méthode donnera la même prévision que le modèle multiple. On peut aller un peu plus loin: on peut jouer sur la valeur de la corrélation, pour mesure l’écart entre les deux prévisions (ici je prévois pour une observation au hasard, la 78ème) comp=function(r){ S=matrix(c(1,r,r,1),2,2) set.seed(1) X=rmnorm(n,c(0,0),S) Y = 2+X[,1]-2*X[,2]+E base = data.frame(Y=Y-mean(Y),X1=X[,1]-mean(X[,1]),X2=X[,2]-mean(X[,2])) reg = lm(Y~0+X1+X2,data=base) reg1 = lm(Y~0+X1,data=base) reg2 = lm(Y~0+X2,data=base) y1=predict(reg) y2=reg1$coefficients[1]*base$X1+reg2$coefficients[1]*base$X2 c(y1[78],y2[78],(y2[78]-y1[78])/y1[78])} vR=seq(0,.98,by=.02) vc=Vectorize(comp)(vR) plot(vR,vc[3,]*100,ylab="Différence relative (%)",xlab="Corrélation",type="l") On prédit ici pour une observation avec un large $y_i$, ce qui correspondait à la partie de droite du graphique précédant (avec les points rouges et bleus). C’est ce que j’appelle le deuxième effet kiss-cool. Quand on est dans le premier cas, avec les variables indépendantes (corrélation nulle, c’est à dire à gauche sur ma figure), on explique ce qu’on peut avec la première variable, et on rajoute l’impact de la seconde. Et $\widetilde{y}_i\sim\widehat{y}_i$. Le soucis ici est que je n’ai pas le droit de considérer deux modèles indépendants lors que les variables sont très corrélées. Une partie de l’explication fournie par la seconde variable était déjà inclue dans la première. Par exemple avec deux variables très (positivement) corrélées, la prévision qu’on obtient en ajoutant les deux effets estimés indépendamment avec deux régressions simple $\widetilde{y}_i=\widehat{b}_1x_{1,i}+\widehat{b}_2x_{2,i}$, on sur-estime de 50% à 70% la “vraie” prévision $\widehat{y}_i=\widehat{\beta}_1x_{1,i}+\widehat{\beta}_2x_{2,i}$. Tous les chercheurs savent savent ça… on parle ici de résultats du tout premier cours de modèles linéaires. Et malgré tout, en pratique, on continue à utiliser cette seconde méthode. Un exemple bien connu est celui de l’évaluation (des étudiants, des chercheurs, peu importe). Par exemple, quand on évalue un dossier de financement pour un chercheur, on nous demande de mettre un score • pour les publications scientifiques (nombre, qualité, etc) • pour l’encadrement d’étudiants (nombre, niveau, etc) • pour la qualité de l’environnement (prestige du labo, etc) • etc Et à la fin, on somme tout. Mais on le voit, ces variables sont très très corrélées: si vous êtes dans un labo prestigieux, vous attirez beaucoup de candidatures d’étudiants (et des bons), et avoir beaucoup d’étudiants va permettre d’avoir plus de publications (si on ajoute son nom comme co-auteur). Bref, on est typiquement dans un modèle à double (voire triple) effet kiss-cool. Quelqu’un dans un bon labo aura un bon score sur le troisième item, mais aussi un bon sur le nombre d’étudiants, et aussi sur les publications. Ajouter ces scores est stupide, car on a une spirale infernale (les bons sont sur-évalués, et les moins bon, sous-évalués), c’est ce que racontait mon premier dessin, avec les points rouges et bleus. C’est un effet clivant de polarisation forte. Si on voulait faire les choses proprement, ce que dit le le théorème de Frisch-Waugh, c’est que les scores devraient être attribués en corrigeant de la corrélation entre les variables • on peut commencer par calculer un score pour la qualité de l’environnement (prestige du labo, etc) • à environnement donné, calculer un score pour l’encadrement d’étudiants (nombre, niveau, etc) • à environnement donné, et à encadrement d’étudiants donné, calculer un score pour les publications • etc C’est comme la situation que je voyais en France, où on pouvait avoir une variable qui tenait compte d’un prestige du chercheur (par exemple, être chercheur CNRS donnait un bonus) et une autre sur le dossier de publications. Sauf que les deux sont corrélés. Et la plupart des classements d’universités sont construits à partir de scores qui sont loin d’être indépendants. Bref, tant que l’évaluation se fera en sommant des scores qui sont construits sur des critères souvent très corrélés, on polarise fortement la population. Est-ce gênant? A priori oui. Car le message que cela envoie est qu’il existe deux classes, les bons, et les mauvais, alors qu’en réalité, le niveau est beaucoup plus homogène qu’il n’y paraît. Un petit effet positif se retrouve démultiplié par le fait qu’il va se répercuter (positivement) sur plein d’autres variables. C’est mon effet kiss-cool. Mais on pourrait se dire que c’est un problème de distribution des notes finales. Si l’ordre est préservé, on pourrait se dire que ce n’est pas très grave. Malheureusement, ce n’est pas le cas. Si on quitte un instant le cas de la corrélation très forte, les rangs des prédictions (c’est à dire les rangs des chercheurs une fois donnés les notes $\widehat{y}_i$ ou $\widetilde{y}_i$ ) sont moins corrélés si la corrélation sous-jacente est importante (mais pas trop) comp=function(r){ S=matrix(c(1,r,r,1),2,2) set.seed(1) X=rmnorm(n,c(0,0),S) Y = 2+X[,1]-2*X[,2]+E base = data.frame(Y=Y-mean(Y),X1=X[,1]-mean(X[,1]),X2=X[,2]-mean(X[,2])) reg = lm(Y~0+X1+X2,data=base) reg1 = lm(Y~0+X1,data=base) reg2 = lm(Y~0+X2,data=base) y1=predict(reg) y2=reg1$coefficients[1]*base$X1+reg2$coefficients[1]*base\$X2 cor(y1,y2,method="spearman")} vR=seq(0,.98,by=.02) vc=Vectorize(comp)(vR) plot(vR,vc,ylab="Corrélation de rangs",xlab="Corrélation",type="l")

Autrement dit, si les variables $x_1$ et $x_2$ sont très peu corrélées, on a les mêmes rangs  (globalement). En revanche, si la corrélation entre les variables $x_1$ et $x_2$ augmente, le rang des $\widetilde{y}_i$ est de moins en moins cohérent avec celui entre les $\widehat{y}_i$  (qui devrait être celui que l’on recherche).

Bref, il serait temps de comprendre enfin sérieusement les conséquences de ce joli papier, publié il y a presque 90 ans

Summer School on Machine Learning for Economists, in Nova Scotia

Just a brief post to mention that was invited as a keynote speaker to give a talk at the Summer School on Machine Learning for Economists, in one month,

I will give a talk on machine learning and insurance. More to come, soon…

Personalization as a promise: Can Big Data change the practice of insurance?

Our recent article, “Personalization as a Promise: Can Big Data Change the Practice of Insurance?” with Larence Barry just got published in “Big Data & Society” (but a working paper version is still available online)

The purpose of this paper is to measure the impact of technologies from the Big Bang. data on thehe pricing ofhe products car insurance. The first part describes how the aggregated view buildsuit by statistics enables highlighting invisible regularities at the individual level. Despite a very granular segmentations in automobile insurance, the approach remained classificatory, hypothesizing the risk identity of individuals from the same class. The second part highlights the reversal of big data-induced perspective in the’analysis ofgiven ; awith theur volume and the new algorithms, the aggregate viewpoint is questioned.. The hypothesis of class homogeneity is becoming increasingly difficult to test. maintain, especially since predictive analysis boasts the ability to predict the rs results at the individual level. The third part is studying the’influence of telematics boxes able to import the new pinsurance aradigm automobile. However, a reading of the most recent research articles on a pricing automobile including this new monter that the epistemological leap, at least for now, has not taken place.

Lancement du groupe en épidémiologie et en santé publique du centre de recherches mathématiques

Ce vendredi, lancement des activités du groupe en épidémiologie et en santé publique du centre de recherches mathématiques de Montréal. D’autres évènements seront à venir…

Machine learning for economists and applied social scientists

By the end of July, a group of colleagues from Dalhousie and Saint Mary’s Universities in Halifax will host a series of online lectures on machine learning for economists and applied social scientists. I will be giving a talk on machine learning and insurance.

Modeling Joint Lives within Families

With Olivier Cabrignac and Ewen Gallic, we recently uploaded a research paper, entitled “Modeling Joint Lives within Families

Family history is usually seen as a significant factor insurance companies look at when applying for a life insurance policy. Where it is used, family history of cardiovascular diseases, death by cancer, or family history of high blood pressure and diabetes could result in higher premiums or no coverage at all. In this article, we use massive (historical) data to study dependencies between life length within families. If joint life contracts (between a husband and a wife) have been long studied in actuarial literature, little is known about child and parents dependencies. We illustrate those dependencies using 19th century family trees in France, and quantify implications in annuities computations. For parents and children, we observe a modest but significant positive association between life lengths. It yields different estimates for remaining life expectancy, present values of annuities, or whole life insurance guarantee, given information about the parents (such as the number of parents alive). A similar but weaker pattern is observed when using information on grandparents.

The paper is online on https://arxiv.org/abs/2006.08446.

OpenEdition