Formations en statistique :: Techniques de modélisation

S'identifier | Mon compte | Choix de cours | S'inscrire

Techniques de modélisation

La mise en relation de différentes variables constitue un enjeu essentiel en statistique. Pour y parvenir, une variété de techniques peuvent être utilisées selon la nature exacte du problème et des variables considérées. Que ce soit pour des applications en R&D, en finance ou en marketing, les formations proposées dans cette section couvrent non seulement les techniques de régression les plus classiques comme la régression linéaire multiple et la régression logistique, mais également des techniques plus récentes telles que la régression PLS ou les arbres de classification et de régression.

Titre+	Résumé	Durée (jours)
Stratégies de modélisation	Cet atelier propose aux participants un ensemble de stratégies efficaces pour construire des modèles de régression robustes et optimaux dans une variété de situations. Au-delà de la réalisation relativement simple d'une régression avec les logiciels actuels, il passe en revue les pièges à éviter, les bonnes pratiques en matière de préparation des données, les outils pour valider les modèles construits et les méthodes classiques et plus récentes pour apporter des ajustements lorsqu'ils s'avèrent nécessaires.	3.0
Techniques de régression linéaire simple et multiple	Cet atelier d'une journée vous présente les outils et concepts essentiels à la réalisation de régression linéaire simple et multiple. Au-delà de l'interprétation des tables de coefficients, l'accent est mis sur les conditions de construction des modèles, la différence entre les modèles explicatifs et prédictifs, la manière d'évaluer leur qualité notamment avec des outils graphiques, les pièges à éviter et la bonne interprétation des différents indicateurs et tableaux produits par les logiciels. Plusieurs méthodes avancées sont également discutées, notamment les techniques de sélection de variable ("stepwise,"best subset", etc.), l'utilisation de variables explicatives catégoriques, l'inclusion d'effets non linéaires et d'interactions (régression polynomiale) et la gestion des variables explicatives corrélées (multicolinéarité). Tous ces aspects sont abordés à travers une variété d'études de cas.	1.0
Régression pour données catégoriques	Cet atelier offre une présentation des techniques de modélisation pour des variables réponses catégoriques avec une emphase sur la régression logistique. Les concepts fondamentaux sont abordés dans le cadre de la modélisation d'une réponse binaire, en commençant avec l'inadéquation de la régression linéaire dans ce cas pour introduire la définition alternative du modèle logistique. Tout en indiquant les similarités avec la régression linéaire, les outils, indicateurs et diagnostics propres à cette approche sont présentés de manière détaillée. Ainsi, cet atelier aborde en particulier les notions de rapports de cote (odds ratios) utilisés pour mesurer l'ampleur des effets, de spécificité, de sensibilité et de courbe ROC et les techniques de de validation croisée. La généralisation à une réponse comportant plus de 2 niveaux ordonnés ou non est discutée tout comme les alternatives à la régression logistique.	1.0
Régression sur les composantes principales et PLS	Cet atelier aborde la problématique de la corrélation des variables explicatives dans les modèles de régression (multicollinéarité), son impact sur la qualité des modèles obtenus dans ce contexte et présente la technique actuellement la plus populaire pour la résoudre, la régression Partial Least Squares (PLS). Le séminaire aborde le principe de la régression PLS à travers son lien avec les méthodes statistiques multivariées, notamment l'analyse en composantes principales (ACP). L'emphase est également mise sur les stratégies permettant la mesure de la capacité de prédiction des modèles et leur application pour optimiser la construction d'un modèle PLS. Différentes études de cas et analyses sont réalisées et discutées. Celles-ci visent autant à familiariser les participants avec les résultats fournis par différents logiciels qu'à les sensibiliser aux conditions d'utilisation de la régression PLS et à éviter certaines erreurs.	1.0
Arbres de régression et de classification	Cet atelier d'une demi-journée permet d'explorer les techniques de modélisation basées sur des arbres de décision, l'interprétation des résultats, leurs forces et faiblesses et leur mise en oeuvre pratique.	0.5
Les modèles de durée, de fiabilité et de survie	Cet atelier permet d'explorer les techniques de modélisation de la durée d'événements en tenant compte de la spécificité de ce type de données, l'interprétation des résultats, leurs forces et faiblesses et leur mise en oeuvre pratique. La formation présentera une variété d’applications en sciences sociales, ingénierie et sciences de la vie.	1.0
Régression non-linéaire	Cet atelier permet d'explorer la technique de modélisation non-linéaire, l'interprétation des résultats, leurs forces et faiblesses et leur mise en oeuvre pratique. Ces techniques sont couramment utilisées pour la modélisation de courbes de croissance et l'analyse des dose-réponse.	0.5

Affiche 1 à 7 (sur 7 sessions)

Résultat: 1

Informations générales

Notre philosophie Formations en entreprise Coaching Formateurs Dernières nouvelles Nous contacter Newsletter

Langues

Devises

Critiques

Les outils essentiels de la statistique

Très bon rafraîchissemen-
t des notions de base. Je recommande cette formation. ..

Les plus populaires


1.	Introduction à la planification...
2.	Planification et analyse des...
3.	La cartographie des préférences
4.	Analyse Procrustéenne généralisée
5.	Planification d'expériences avancée

Utilisation du site

Confidentialité Conditions d'utilisation