Réaliser ses analyses statistiques avec R

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.

Programme de la formation

Statistiques descriptives

• 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

• Test d'hypothèse


• Généralités, règle de décision, risques d'erreur, puissance


• Tests de conformité ou de comparaison à 1 norme


• Conformité d'une moyenne, d'une proportion


• Les tests de comparaison de deux populations


• Comparaison de 2 moyennes, de 2 proportions


• Test d'ajustement à 1 loi de probabilité normale


• Test de Shapiro-Wilk


• Intro aux tests non paramétriques


• Test de Wilcoxon, Mann et Whitney, Kruskal Wallis, Friedman

Liaisons entre 2 variables

• Liaison entre 2 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, 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 - Test de Fisher


• Comparaisons multiples de moyennes


• Analyses post hoc, 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 & 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 & critères de sélection d'un modèle

Analyse de données multidimensionnelles

 

Validation et sanction

- Importer, manipuler et analyser des données dans R

- Effectuer des analyses statistiques univariées

- Établir avec R des intervalles de confiance autour de paramètres comme moyenne, proportion et variance

- Réaliser les principaux tests d'hypothèses paramétriques et non paramétriques dans le logiciel

- Étudier numériquement et graphiquement la liaison entre 2 variables quantitatives, qualitatives ou de chaque nature

- Mettre en œuvre des analyses de la variance à un ou plusieurs facteurs pour la comparaison de moyennes de population

- Élaborer un modèle établissant une relation linéaire entre une variable à expliquer et une (régression simple) ou plusieurs (régression multiple) variables explicatives.

- Découvrir les principales méthodes d'analyse multidimensionnelle des données à l'aide du package FactoMineR

Type de formation

Non certifiante

Sortie

Sans niveau spécifique