Analyse des données : méthodes explicatives
Formation
À Paris Cédex 03
Avez-vous besoin d'un coach de formation?
Il vous aidera à comparer différents cours et à trouver la solution la plus abordable.
Description
-
Typologie
Formation
-
Lieu
Paris cédex 03
-
Dates de début
Dates au choix
Public et conditions d'accès
Bases d'inférence statistique : variables aléatoire, statistiques et distributions d'échantillonnage, estimation ponctuelle et par intervalle, tests d'hypothèses. Notions de calcul matriciel.
Les UE STA104 et STA101 donnent toutes les connaissances nécessaires pour intégrer le cours.
Objectifs pédagogiques
Le cours présente des méthodes pour décrire, expliquer ou prédire une variables à l'aide d'un ou plusieurs caractères quantitatifs et/ou qualitatifs. Ces méthodes, fondées sur le modèle linéaire, sont illustrées par des sorties SAS.
Compétences visées
Connaitre les bases théoriques des modèles présentés en cours, et en particulier :
- Les hypothèses des modèles
- Les méthodes de construction des estimateurs des paramètres
- Les propriétés des estimateurs
Etre capable d'interpréter les sorties d'un logiciel à fin de :
- Evaluer l'ajustement aux données et la signification statistique du modèle
- Détecter des données aberrantes et influentes
- Vérifier les hypothèses du modèle.
- Détecter des problèmes de multi colinéarité
- Choisir le meilleur modèle par la sélection des variables
Mots-clés
Régression multiple
Régression simple
Logiciel SAS
Analyse de la covariance
Prévision
Modélisation statistique
Statistique décisionnelle
Analyse de variance
Les sites et dates disponibles
Lieu
Date de début
Date de début
À propos de cette formation
Connaitre les bases théoriques des modèles présentés en cours, et en particulier :
- Les hypothèses des modèles
- Les méthodes de construction des estimateurs des paramètres
- Les propriétés des estimateurs
Etre capable d'interpréter les sorties d'un logiciel à fin de :
- Evaluer l'ajustement aux données et la signification statistique du modèle
- Détecter des données aberrantes et influentes
- Vérifier les hypothèses du modèle.
- Détecter des problèmes de multi colinéarité
- Choisir le meilleur modèle par la sélection des variables
Les Avis
Les matières
- Analyse de résultats
- Statistique
- Analyse de données
- SAS
Le programme
Contenu
Régression linéaire simple :
- analyses des données, ajustement linéaire par le critère des moindres carrés, décomposition de la somme des carrés totale, qualité de l'ajustement, points leviers
- hypothèses du modèle, estimation des paramètres par la méthode des moindres carrés et de maximum de vraisemblance
- ajustement du modèle
- validation du modèle : test d'hypothèses et intervalles de confiance sur les coefficients, test de la signification globale du modèle, intervalle de confiance pour la droite, intervalle de prédiction
- diagnostic du modèle
- détection d'observations aberrantes et d'observation influentes
- analyses des données, ajustement linéaire par le critère des moindres carrés, décomposition de la somme des carrés totale, qualité de l'ajustement, points leviers
- hypothèses du modèle, estimation des paramètres par la méthode des moindres carrés
- la géométrie du modèle de régression multiple
- théorème de Gauss - Markov
- ajustement du modèle
- validation du modèle : test d'hypothèses et intervalles de confiance sur les coefficients, théorème de Cochran, test de la signification globale du modèle, intervalle de confiance pour la droite, intervalle de prédiction
- diagnostic du modèle
- détection d'observations aberrantes et d'observation influentes
- multicolinearité : diagnostic et remèdes
- sélection de variables
- détection d'observations aberrantes et d'observation influentes
- l'analyse de la variance a un facteur comme modèle linéaire
- estimation des paramètres (dispositif équilibré et déséquilibré)
- décomposition de la somme des carrées totale et qualité de l'ajustement du modèle
- test de l'effet du facteur
- validation des hypothèses de normalité et de homoscédasticité
- tests post hoc pour les comparaisons multiples de moyennes
- analyse de la variance non paramétrique
- l'analyse de la variance à deux facteurs comme modèle linéaire
- estimation des paramètres et qualité du modèle
- test d'hypothèses et intervalles de confiance sur les coefficients
- étude de l'interaction
- décomposition de la somme des carrés totale
- décomposition de la somme des carrées du modèle
- test de la significativité globale du modèle
- tests des effets
- test de comparaison des moyennes pour chaque facteur
- test de comparaison des moyennes par traitements
- le modèle d'analyse de la covariance
- estimation des paramètres
- décomposition de la somme des carrés totale, ajustement du modèle
- test de significativité globale du modèle
- test des effets
- test de comparaison des moyennes par traitements
- sélection du modèle
Bibliographie
- P. DAGNELIE : Statistique théorique et appliquée - tome 2 (De Boeck, Bruxelles 2011)
- Y. DODGE : Analyse de régression appliquée (Dunod 2004)
- N. DRAPER et H. SMITH : Applied regression analysis (Wiley 1998)
- M. LEJEUNE : Statistique: la théorie et ses applications (Springer 2010)
- R.C. LITTELL : SAS for Linear Models, Fourth Edition (SAS Institute Inc. 2002)
- G.SAPORTA : Probabilités, analyse des données, statistique (Technip 2011)
- N.H. TIMM : Univariate and Multivariate General Linear Models: Theory and Applications using SAS Software (SAS Institute Inc. 1997)
- M.TENENHAUS : Statistique. Méthodes pour décrire, expliquer et prévoir. (Dunod, 2007)
Avez-vous besoin d'un coach de formation?
Il vous aidera à comparer différents cours et à trouver la solution la plus abordable.
Analyse des données : méthodes explicatives