CONTACT
0

Modélisation paramétrique, niveau avancé.

Analyser des plans d'expériences complexes présentant des effets fixes et aléatoires et savoir gérer les écarts aux hypothèses.

Fiche formation

Description

Public concerné

Techniciens, ingénieurs, chercheurs ou doctorants.

Prérequis

Bonnes bases en statistiques. Maîtrise des analyses de variances et des régressions linéaires. Avoir déjà utilisé des modèles mixtes. Bonne maîtrise du logiciel R.

Objectifs

  • Savoir choisir entre modèles linéaires et modèles non linéaires
  • Savoir identifier un effet fixe et un effet aléatoire
  • Savoir identifier l'agencement des effets (croisés, hiérarchisés, …)
  • Savoir sélectionner le meilleur modèle
  • Savoir vérifier la qualité du modèle choisi : identifier les écarts aux hypothèses
  • Savoir choisir une structure de variance
  • Savoir choisir une structure de variances-covariances
  • Savoir gérer les données surdispersées, avec beaucoup de 0
  • Savoir mettre en oeuvre un modèle avec le logiciel R et interpréter les sorties logicielles

Méthode

Des rappels seront d'abord faits sur la stratégie globale de modélisation. Les écarts aux hypothèses seront présentés et illustrés. L'utilisation d'effets aléatoires dans les modèles sera ensuite discutée. Différents cas de modèles mixtes présentant éventuellement des écarts aux hypothèses seront développés.

Durée et autres formalités

Durée : Trois jours

Interentreprises (Gujan-Mestras)

Nombre de stagiaires limité à 6. Dates : nous consulter

Intra-entreprise

Groupe de 12 personnes au plus. Dates : à définir avec le client.

Prix :

1249 €/personne interentreprises
4287 € intra-entreprise

Nos formations sont exonérées de TVA. Un tarif dégressif s´appliquera à partir de 3 formations facturées.

Programme de la formation

Introduction
  • Modélisation statistique : définition et objectifs.
  • Variation contrôlée et variation non contrôlée.
  • Méthodes de modélisation.
Démarche globale de modélisation
  • Représentations graphiques : exploration des données.
  • Choix du meilleur modèle.
  • Validation du modèle : vérifier les hypothèses.
  • Homoscédasticité des résidus : utiliser une structure de variance.
  • Le cas des variables possédant beaucoup de valeurs nulles.
Les modèles mixtes
  • Prendre en compte des effets aléatoires dans un modèle :
    • Pourquoi ? Dans quelles situations ?
    • Trois types de modèles à effets aléatoires.
    • Les différentes structures de covariances.
    • Les messages d'erreur courants : signification et réglages éventuels.
  • Modèle linéaire à effets mixtes avec 2 effets aléatoires croisés :
    • Exploration des données.
    • Choix du meilleur modèle.
    • Vérification du modèle choisi et analyse des résultats.
  • Modèle linéaire avec mesures répétées :
    • Observation des données.
    • Choix du meilleur modèle.
    • Vérification du modèle choisi et analyse des résultats.
  • Régression de Poisson à effets mixtes :
    • Exploration des données.
    • Choix du meilleur modèle.
    • Vérification du modèle choisi et analyse des résultats.
  • Régression non linéaire à effets mixtes :
    • Particularités des modèles non linéaires.
    • Exploration des données.
    • Choix du meilleur modèle.
    • Vérification du modèle choisi et analyse des résultats.

CONTACT
Aperçu du panier