:: Description généraleCet 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.:: Objectifs pédagogiquesÀ la suite de cet atelier, les participants sauront:
Identifier et éviter les erreurs les plus fréquemment commises en modélisation;
Formater, préparer et valider les données pour s'assurer de pouvoir réaliser une régression avec leur logiciel statistique;
Évaluer la technique de régression la plus appropriée en fonction du problème à résoudre;
Réaliser l'analyse de régression avec leur logiciel statistique;
Produire les graphiques et mesures de diagnostics importants;
Mesurer la performance d'un modèle de régression;
Interpréter les résultats d'une régression, les utiliser pour d'autres applications et les communiquer;
Optimiser un modèle de régression en corrigeant les problèmes identifiés et en déterminant la relation la plus appropriée entre la réponse et la ou les variables explicatives.:: Public cibleCe atelier s'adresse aux non-statisticiens ayant à réaliser de la modélisation de données - chercheurs, analystes, techniciens de laboratoire, assistants de recherche, ingénieurs, étudiants gradués, etc. Il s'adresse aussi aux statisticiens intéressés par un atelier appliqué en modélisation.
De par son focus sur les bonnes pratiques de modélisation, il est aussi pertinent pour des néophytes dans le domaine que pour ceux connaissant déjà les bases des techniques de régression. :: Pré-requisLes participants doivent posséder de bonnes connaissances des fondements de la statistique, ou doivent avoir suivi la formation Les outils essentiels de la statistique. |
:: Plan du cours
- Le principe général de la modélisation de données
- Les différentes formes de modèles
- Le choix du type de modèle selon la nature de la réponse
- Le choix du type de modèle en fonction de la forme du lien entre réponse et prédicteurs
- La préparation des données pour la modélisation
- La mesure de performance des modèles
- Les outils de diagnostic des modèles
- Les modèles univariés versus multivariés
- Les problèmes spécifiques des modèles multivarités
- La régression linéaire simple
- La régression linéaire multiple
- Le traitement de la redondance entre les variables explicatives
- La sélection de variables
- Les modèles pour variables catégoriques
- La régression logistique
- Les outils spécifiques pour mesurer la performance en régression logistique: ROC curve
- La notion de rapport de cotes: odds ratio
- Les alternatives à la régression logistique
- La régression non linéaire
- Considérations générales sur la présentation des résultats de régression
- Utilisation de modèles pour faire de la prédiction
:: Thèmes abordésCet atelier s'articule autour des trois sessions portant sur la régression linéaire, la régression pour données catégoriques et la régression non-linéaire. Il met en évidence les similarités ainsi que les différences entre ces méthodes en insistant sur le bon usage de chacune.
Parmi les thèmes abordés, l'emphase est particulièrement mise sur la préparation des données et la gestion des valeurs manquantes, le choix d'une méthode de modélisation appropriée pour les données à traiter, la différence entre les modèles explicatifs et les modèles prédictifs, le traitement de la redondance entre les variables explicatives, l'utilisation d'outils graphiques pour évaluer la qualité des modèles, la sélection de variables et la mesure de l'incertitude des prédictions réalisées avec les modèles construits.
En outre, un aperçu des méthodes de modélisation les plus récentes est offert.
Enfin, une partie importante du temps est consacrée à des applications pratiques pendant lesquelles les participants auront l'occasion d'utiliser leur logiciel d'analyse statistique et de traiter leurs propres ensembles de données qu'ils sont invités à apporter (une variété de fichiers sera également fournie pour ceux qui n'ont pas l'opportunité d'utiliser leurs fichiers).
| 
