Réaliser ses analyses biostatistiques avec R

Apprendre à utiliser le logiciel R pour analyser des données du domaine biomédical.
Mettre en oeuvre dans R les méthodes de statistique descriptive, décisionnelle, analyse de la variance, régression linéaire et logistique

Compétences visées
- Mettre en œuvre dans R des analyses statistiques uni et bivariées sur des données quantitatives comme qualitatives
- Générer des données suivant une loi, évaluer la précision d'une méthode par rééchantillonnage
- 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
- Mettre en œuvre des analyses de la variance à un ou deux facteurs pour la comparaison de moyennes de population
- Réaliser une ANOVA sur mesures répétées dans le cas où les données ne sont pas indépendantes
- Élaborer un modèle établissant une relation linéaire entre une variable à expliquer et une (régression simple) ou plusieurs (régression multiple) variables explicatives
- Construire un modèle de régression logistique pour expliquer une variable binaire (la présence ou l'absence d'une caractéristique donnée) à l'aide de variables explicatives

Programme
- Statistiques descriptives

• Tableaux de données (individuelles, de fréquences, regroupées, croisant plusieurs variables)
• Distribution (paramètres de forme, position, dispersion)
• Associations (variables quantitatives et/ou qualitatives)
• Représentations graphiques (variables quantitatives et/ou qualitatives)

- Lois et Simulations avec R

• Lois connues
• Générations de données sous R
• La méthode du bootstrap

- Intervalles de confiance

• Pour une moyenne
• Pour une proportion
• Pour une variance

- Tests d'hypothèses

• Premiers tests statistiques paramétriques
  • De moyennes (test de Student)
  • De variances
  • De proportions (tests d'indépendance, de chi2)
  • De corrélation
• Tests non paramétriques
  • Tests d'adéquation
  • Tests de position
• P_valeurs (p-value)

- Analyse de variance

• Anova simple (à un ou deux facteurs)
• Anova pour mesures répétées

- Régression linéaire

• Objectifs, contexte et modèles
• Corrélation
• Régression linéaire simple
• Régression linéaire multiple
• Tests et interprétations des sorties
• Validation des hypothèses

- Régression logistique simple et multiple

• Objectifs, contexte et modèles
• Ajustements
• Tests et interprétations des sorties
• Validation des hypothèses (analyse des résidus)