Objectifs
Apprendre à utiliser le logiciel R pour analyser des données.
Mettre en oeuvre dans R les méthodes de statistique descriptive, décisionnelle, analyse de la variance, régression linéaire et analyse de données multidimensionnelles.
Mettre en oeuvre dans R les méthodes de statistique descriptive, décisionnelle, analyse de la variance, régression linéaire et analyse de données multidimensionnelles.
Public
Toute personne souhaitant analyser des données avec R
Pré-requis
Pour suivre ce stage dans de bonnes conditions, il est recommandé d'avoir suivi en amont la formation R – Prise en main, analyses statistiques et graphiques
Méthode
Pédagogie active mêlant exposés, exercices et applications pratiques dans le logiciel R.
Modalités d'évaluation
Un questionnaire d'auto-évaluation proposé en amont de la formation nous permettra d'évaluer votre niveau et de recueillir vos attentes.
Ce même questionnaire soumis en aval de la formation nous permettra d'apprécier votre progression.
Ce même questionnaire soumis en aval de la formation nous permettra d'apprécier votre progression.
Accessibilité
Vous souhaitez suivre notre formation Réaliser ses analyses statistiques avec R et êtes en situation de handicap ? Merci de nous contacter afin que nous puissions envisager les adaptations nécessaires et vous garantir de bonnes conditions d'apprentissage
Programme
- Statistiques descriptives
- Intervalle de confiance
- Tests d’hypothèses
- Liaisons entre deux variables
- L’analyse de la variance – Anova
- Régression linéaire simple et multiple
- Analyse de données multidimensionnelles
- Gestion d’un jeu de données - dataframe
Importation, caractérisation, sélection, sous-ensembles - Premières analyses d’un jeu de données
Premières vérifications, valeurs manquantes, recodage - Résumé d’une variable quantitative – numeric
Indicateurs numériques, représentations graphiques - Résumé d’une variable qualitative – factor
Indicateurs numériques, représentations graphiques
- Intervalle de confiance
- Le raisonnement à partir d’un échantillon
Généralités, échantillonnage, estimation d’un paramètre - Intervalle de confiance d’une moyenne
- Intervalle de confiance d’une proportion
- Intervalle de confiance d’une variance
- Tests d’hypothèses
- Qu’est-ce qu’un test d’hypothèse ?
Généralités, règle de décision, risques d’erreur, puissance - Les tests de conformité ou de comparaison à une norme
Conformité d’une moyenne, d’une proportion - Les tests de comparaison de deux populations
Comparaison de deux moyennes, de deux proportions - Test d’ajustement à une loi de probabilité normale
Le test de Shapiro-Wilk - Introduction aux tests non paramétriques
Test de Wilcoxon, Mann et Whitney, Kruskal Wallis, Friedman
- Liaisons entre deux variables
- Liaison entre deux variables quantitatives
Nuage de points, intensité de la liaison, significativité - Liaison entre deux variables qualitatives
Tableau de contingence, intensité et significativité du lien de dépendance : test du khi2 - Liaison entre une variable qualitative et quantitative
Comparaison de plusieurs populations, le rapport de corrélation - Liaisons entre plusieurs variables
Approches graphiques : matrice de nuages de points, treillis
Caractériser des sous-populations par plusieurs variables
- L’analyse de la variance – Anova
- Analyse de la variance à un facteur
Variabilité inter, intra, totale – Rapport de corrélation - Le test de Fisher - Comparaisons multiples de moyennes
Analyses post hoc, la procédure de Tukey - Analyse de la variance à deux facteurs et interaction
- Extensions de l’Anova
Modèle à effet fixe ou aléatoire, modèle hiérarchisé
- Régression linéaire simple et multiple
- De la corrélation à la régression
L’intérêt d’un modèle - Variables à expliquer, explicatives, erreur - La régression linéaire simple
Ajustement par la méthode des moindres carrés - Tests et validation du modèle - La régression linéaire multiple
- Choix d’un modèle de régression
Pourquoi sélectionner un sous-ensemble de variables explicatives ?
Les différentes approches et critères de sélection d’un modèle
- Analyse de données multidimensionnelles
- Un panorama des méthodes multidimensionnelles
Analyses factorielles, classification – Le package FactoMineR - ACP : Analyse en Composantes principales
- AFC : Analyse Factorielle des Correspondances
- ACM : Analyse des correspondances Multiples
- CAH : Classification Ascendante Hiérarchique
Ce que pensent nos clients de la formation Réaliser ses analyses statistiques avec R
M. Alexander V., Senior Scientist in physiology and biochemistry au Centre Scientifique de Monaco
Excellent
