Modélisation des Co-Expositions aux Pesticides : une Approche Bayésienne Nonparamétrique
Résumé
This work introduces a specific application of the Bayesian nonparametric methodology in the food risk analysis framework. The goal is to determine mixture of pesticides residues which are simultaneously present in the diet, to give directions for future toxicological experiments for studying possible combined effects of those mixtures. Namely, the joint distribution of the exposures to a large number of pesticides is assessed from the available consumption data and contamination analyses. We propose to model the co-exposures by a Dirichlet process mixture based on a multivariate Gaussian kernel so as to determine clusters of pesticides jointly present in the diet at high doses. The posterior distributions and the optimal partition are computed through a Gibbs sampler based on stick-breaking priors. To reduce computational time due to the high dimensional data, a random block sampling is used. Finally, the clustering among individuals also obtained as an auxiliary output of these analyses is discussed in a risk management perspective.
Ce travail présente l'utilisation d'un modèle bayésien nonparamétrique dans le cadre de l'évaluation du risque alimentaire. L'objectif est de déterminer les cocktails de pesticides auxquels la population française est exposée afin de mieux appréhender les risques liés à la présence de plusieurs substances chimiques dans l'alimentation. Ainsi, l'exposition de la population aux pesticides est estimée en combinant les données de consommation des aliments avec les données de contamination disponibles des denrées alimentaires. Nous proposons ensuite de modéliser ces co-expositions par un mélange de lois normales multivariées et d'en estimer les différentes composantes en choisissant pour la loi du mélange une distribution a priori selon un processus de Dirichlet, l'objectif étant de déterminer les clusters de pesticides simultanément présents à des niveaux élevés dans le régime alimentaire. Les distributions a posteriori ainsi que la partition optimale sont obtenues par un algorithme de Gibbs appliqué à la représentation "stick-breaking" du processus de Dirichlet. La grande dimension des données induit une convergence lente de l'algorithme que nous tentons de réduire en sous échantillonnant aléatoirement les variables d'expositions (random block Gibbs). Enfin, la classification des individus également obtenue est discutée d'un point de vue de gestion du risque.
Domaines
Statistiques [math.ST]
Origine : Fichiers produits par l'(les) auteur(s)