Chargée de Recherches INRA 

UMR518 AgroParisTech/INRA
Team MORSE
16 rue Claude Bernard
75 231 Paris Cedex 05

Tel : +33 (0)1 44 08 37 19

sophie.donnet@inra.fr

Thèmes de recherche

• Modèles définis par équations différentielles ordinaires et stochastiques.
• Modèles pour données de réseaux d'interactions complexes : multi-niveaux, multiplex,  multipartites ...  
• Statistiques bayésiennes: élicitation de loi a priori et combinaison de dires d'experts 
• Statistiques bayésiennes  paramétriques et non paramétriques pour processus de comptage.  
• Inférence statistique pour les modèles graphiques gaussiens  
• Algorithmes stochastiques: MCMC, EM et versions stochastiques, filtres particulaires... 
• Applications: neurosciences, pharmacocinétique, risque alimentaire, fiabilité EDF,  réseaux sociaux
• Applications en écologie: réseaux d'interaction plantes pollinisateurs, insectes, contaminations de mousse... 

Positions occupées

• Depuis sept. 2013 :  Chargée de recherches INRA , unité MIA Paris, UMR Inra-Agroparistech. 
• 2012-2014 : En mission longue au Mexique, chercheuse invitée. CIMAT (Centro de Investigacion en Matematicas) et Instituto de Matematicas, Universidad Nacional Autonoma de México (UNAM). Mexique. 
• 2007 - 2013: Maître de conférences. Université Paris-Dauphine. Membre du CEREMADE

Cursus universitaire

• 2018 : Habilitation à diriger les recherches 
  HDRpdf - 2,5 MB
• 2003 - 2006 : Doctorat de Statistiques. Thèse soutenue le 30/11/2006 à  l'Université Paris-Sud, préparée sous la direction de M. Lavielle (Université Paris-Descartes) et J.-B. Poline (INRIA-Neuropsin). Titre : ``Inversion de données IRMf. Estimation et sélection de modèles''. 
• 2002 - 2003 : DEA de Modélisation Stochastique et Statistique. Université Paris Sud. 
• 2001 - 2002 : Agrégation de mathématiques, option probabilités et statistique. 

Publications 

Articles publiés ou acceptés

• [A16] E. Lazega, A. Bar-Hen, P. Barbillon, S. Donnet. Effects of competition on collective learning in advice networks Social Networks, Volume 47, October 2016, Pages 1–14 
  
  A16pdf - 1,5 MB
• [A15]  P. Barbillon, S. Donnet, E. Lazega, A. Bar-Hen. Stochastic block models for multiplex networks: an application ot multilevel network of researchers. JRSSA (2016)
  
  A15pdf - 881,3 kB
• [A14]  S. Donnet, V. Rivoirard, J. Rousseau, C. Scricciolo.  Posterior concentration rates for empirical Bayes procedures with applications to Dirichlet process mixtures. Bernoulli Journal (2016) 
• [A13] S. Donnet, V. Rivoirard, J. Rousseau, C. Scricciolo. Posterior concentration rates for counting processes with Aalen multiplicative intensities. Bayesian Analysis (2016) 
• [A12] M. Capistran, A. Christen, S. Donnet. Bayesian Analysis of ODE’s : solver optimal accuracy and Bayes factors. Journal of Uncertainty Quantification, 4, 829-849. 
  
  A12pdf - 676,2 kB
•  [A11] S. Donnet, J. Rousseau, J. Bayesian Inference for Partially Observed Branching Processes. Bayesian Analysis Volume 11, Number 1 (2016), 151-190
•  [A10] S. Donnet, Bartolo, R., Fernandes J.M., Cunha J.P., Prado, L. and Merchant, H. Monkeys time their movement pauses and not their movement kinematics during a synchronization-continuation rhythmic task Journal Of Neurophysiology, May 2014 ; 111(10), 2138
  
  A10pdf - 1,2 MB
•  [A9] S. Donnet, A. Samson. Using PMCMC in EM algorithm for stochastic mixed models : theoretical and practical issues Journal de la Société Françcaise de Statistique, 155, 49-72, 2014.
• [A8] S. Donnet, A. Samson. A review on estimation of stochastic differential equations for pharmacokinetic/ pharmacodynamic models. Advanced Drug Delivery Reviews
  
  A08pdf - 762,3 kB
• [A7] I. Albert, S. Donnet, C. Guihenneuc, S. Low-Choy, K. Mengersen, J. Rousseau, Combining expert opinions in prior elicitation (with discussion). Bayesian Analysis, 7(3), 503-546 (2012)
• [A6] S. Donnet, J.-M. Marin . An empirical Bayes procedure for the selection of Gaussian graphical models. Statistics and Computing, 22(5), 1113-1123 (2012)
  
  A06pdf - 1 MB
• [A5] S. Donnet , J-L Foulley, A. Samson. Bayesian analysis of growth curves using mixed models defined by stochastic differential equations . Biometrics, 66(3) :733-741, (2010)
  
  A05pdf - 864,4 kB
• [A4] P. Ciuciu, T. Vincent, L. Risser, S. Donnet. A joint detection-estimation framework for analysing within-subject fMRI data. Journal de la Société Franéaise de Statistiques, Vol. 151, No 1 (2010)
• [A3] S. Donnet, A. Samson. Parametric inference for mixed models defined by stochastic differential equations. ESAIM P&S, 12 :196-218, (2008)
  
  A03pdf - 325,6 kB
• [A2] S. Donnet, A. Samson. Estimation of parameters in missing data models defined by differential equations. J. Statist. Plann. Inference 137 (2007), no. 9, 2815–2831
  
  A02pdf - 267,1 kB
• [A1] S. Donnet, M. Lavielle, and J.-B. Poline. Are fMRI event related reponses constant across events ?. Neuroimage,Volume 31, Issue 3, 1 (July 2006), 1169 – 1176

Articles soumis dans des revues internationales

•  [S1]  Using deterministic approximations to accelerate SMC for posterior sampling. S. Donnet & S. Robin.  arxiv
•  [S2]  Nonparametric Bayesian estimation of multivariate Hawkes processes. S. Donnet, V. Rivoirard & J. Rousseau arxiv
•  [S3]  Block models for multipartite networks.Applications in ecology and  ethnobiology. A. Bar-Hen, P. Barbillon & S. Donnet

Revues de livre et discussions

• [B3] S. Donnet. Book review of “Stochastic Modelling for Systems Biology (second edition)” by Darren J. Wilkinson. CHANCE 25-4 (Décembre 2012)
• [B2] S. Donnet. Book review of “Statistical Thinking in Epidemiology” by Yu-Kang Tu and Mark S. Gilthorpe. CHANCE 25-4 (Décembre 2012)
• [B1] S. Donnet. Book review of “Monte Carlo Simulation for the Pharmaceutical Industry : Concepts, Algorithms, and Case Studies” by Mark Chang. International Statistical Review (Avril 2012)
• [D1] S. Donnet, A. Samson. Discussion on “Parameter estimation for differential equations : a generalized smoothing approaché” (by Ramsay JO, Hooker G, Campbell D and Cao J), Journal of the Royal Statistical Society : Series B, 69(5) :741-796, (2007)

Enseignement

Ressources pour le cours d'introduction à R, M2 MASH, Dauphine

• Poly d'introduction à Rpdf - 219,7 kB
• R avancé : ggplot2pdf - 2,4 MB
• ggplot2 : exercices supplémentaires : 
  Exercices autour de ggplot2tml - 2,1 MB
• Accélerer son code R
  Accelérer son code R - slidespdf - 643,6 kB
• Introduction à l'Algorithme EMpdf - 2,7 MB
• TP autour de l'Algorithme EM
  TP introduction à l'EMpdf - 154,8 kB
• TP d'introduction au bayésien 
  TP introduction au bayésienpdf - 103,1 kB