Résumé
Nous proposons des versions régularisées de l'algorithme Espérance-Maximisation (EM) permettant d'estimer un Modèle Linéaire Généralisé Mixte (GLMM) pour des données de panel (mesurées sur plusieurs individus à différentes dates). Une réponse aléatoire y est modélisée par un GLMM, au moyen d'un ensemble X de variables explicatives et de deux effets aléatoires. Le premier effet modélise la dépendance des mesures relatives à un même individu, tandis que le second représente l'effet temporel autocorrélé partagé par tous les individus. Les variables dans X sont supposées nombreuses et redondantes, si bien qu'il est nécessaire de régulariser la régression. Dans ce contexte, nous proposons d'abord un algorithme EM pénalisé en norme L2 pour des données de petite dimension, puis une version régularisée de l'algorithme EM, basée sur la construction de composantes supervisées, plutôt destinée à la grande dimension.