Aller au contenu principal

Statistiques bayésiennes

Date de mise à jour :
Identifiant Offre Info : 14_AF_0000132019
Organisme responsable : Data Value (ouvre dans un nouvel onglet)

Nouvelle recherche

Présentation de la formation

Objectifs

Acquérir la connaissance méthodologique et pratique de l'inférence bayésienne et ainsi être autonome dans l'utilisation des divers modèles. Compétences visées - Comprendre la logique de l'inférence bayésienne et la différence avec l'inférence classique. - Être capable d'organiser les connaissances disponibles a priori. - Connaître les stratégies de modélisation et leur traduction pratique dans les langages de programmation R, JAGS et WinBugs. - Savoir choisir le…

Acquérir la connaissance méthodologique et pratique de l'inférence bayésienne et ainsi être autonome dans l'utilisation des divers modèles.

Compétences visées
- Comprendre la logique de l'inférence bayésienne et la différence avec l'inférence classique.
- Être capable d'organiser les connaissances disponibles a priori.
- Connaître les stratégies de modélisation et leur traduction pratique dans les langages de programmation R, JAGS et WinBugs.
- Savoir choisir le bon modèle selon la problématique à traiter.
- Être capable de mettre en œuvre les analyses et d'interpréter les résultats.

Programme de la formation

Programme L'inférence classique dite « fréquentielle » nécessite en général un grand nombre de données pour être performante. L'inférence bayésienne, quant à elle, permet l'utilisation rationnelle de toutes informations disponibles a priori sur le phénomène étudié (études antérieures, analyses similaires, connaissances d'experts,) et de les combiner avec l'information apportée par les données. Ainsi il est possible d'analyser de façon très efficace de petits…

Programme
L'inférence classique dite « fréquentielle » nécessite en général un grand nombre de données pour être performante. L'inférence bayésienne, quant à elle, permet l'utilisation rationnelle de toutes informations disponibles a priori sur le phénomène étudié (études antérieures, analyses similaires, connaissances d'experts,) et de les combiner avec l'information apportée par les données. Ainsi il est possible d'analyser de façon très efficace de petits volumes de données.
- Introduction
  • Principes de l'inférence bayésienne
  • Le théorème de Bayes en détail (Illustration : le test PCR COVID)

- La logique bayésienne
  • Différences et complémentarités avec l'approche « fréquentiste »
  • Les probabilités a priori et a posteriori
  • La vraisemblance (likelihood)

- Les lois de probabilité utilisées en modélisation bayésienne
- Un premier exemple simple d'inférence bayésienne : estimation d'une proportion (calcul « à la main »). Illustration : les sondages d'intention de vote
- Le calcul des posteriors avec la méthode Metropolis Hastings
  • MCMC : Markow Chains Monte Carlo
  • Exemple simple avec calcul détaillé

- Implémentation dans R
  • Le package JAGS
  • Le package WinBugs
  • Application sur un exemple simple : estimation d'une moyenne et d'un écart type :
    • Apport de l'inférence bayésienne par rapport à la logique « fréquentiste »
    • Mise en œuvre détaillée dans R (JAGS et WinBugs)
    • Examen des résultats
    • Règles d'Interprétation

- Conception de modèles complexes dans l'inférence bayésienne :
  • Exposé sur les modèles linéaires
  • Exposé sur les modèles linéaires généralisés

- Applications concrètes dans R avec nombreux exemples de traitement
  • Test de student pour la comparaison de deux moyennes (variances égales ou non)
  • ANOVA un facteur, ANOVA deux facteurs
  • Régression linéaire simple et multiple
  • Modèle linéaire généralisé, ANCOVA
  • Modèles linéaires à effets mixtes
  • Modèle linéaire généralisé : régression logistique
  • Aperçus sur les modèles avancés (GLMM poisson et binomial, binomial ANCOVA,…)

- Introduction aux réseaux bayésiens

Validation et sanction

Attestation de formation

Type de formation

Non certifiante

Niveau de sortie

Sans niveau spécifique

Durée, rythme, financement

Durée

En centre

21 h

Financement

Conventionnement
Non

Conditions d'accès

Public visé

  • Tout public

Niveau d'entrée

Sans niveau spécifique

Conditions spécifiques et prérequis

Pour suivre ce stage dans de bonnes conditions, il est recommandé d'avoir suivi en amont les formations Statistique descriptive (exploratoire) : savoir décrire des observations, Statistique décisionnelle (inférentielle) : savoir décider au vu des observations et Régression linéaire, logistique et analyse de la variance ou d'avoir atteint par la pratique un niveau équivalent

Lieu de réalisation de l'action

Modalités d'enseignement

Formation entièrement en présentielle

Adresse

54 Rue du Faubourg Saint-Antoine
75012 Paris 12e

Responsable : A&O Expertise

Périodes prévisibles de déroulement des sessions

Début

Fin

Adresse d'inscription
Data Value
31670 Labège
État du recrutement
Ouvert
Modalités
Entrées / Sorties à dates fixes