Modèles linéaires généralisés - Régression logistique, de Poisson et ZIP (Zero Inflated Poisson)
Découvrez comment maîtriser les modèles linéaires généralisés avec notre formation spécialisée en régression logistique, Poisson et ZIP. Transformez vos données en insights puissants et optimisez vos analyses statistiques dès aujourd'hui !
Proposé par
GROUPE ARKESYS
Prérequis
- IL EST INDISPENSABLE que les participants aient de bonnes connaissances sur les outils statistiques de base : tests d'hypothèses, p-value, risque alpha… ainsi que sur l'ANOVA et la régression linéaire simple et multiple.
Public admis
- Salarié en Poste
- Entreprise
Demandeur d'emploi et Etudiant non admis
Financement
- Votre OPCO
- Financement personnel
Financement CPF non pris en charge
Modalités
- En centre
- En entreprise
- À distance
Objectifs pédagogiques
- D'identifier quel modèle statistique utilisé selon le contexte, la nature des variables
- De connaître les concepts mathématiques inhérents aux modèles logistiques, de Poisson et de Poisson ZIP (Zero Inflated Poisson)
- De connaître les méthodes d'estimations des paramètres des modèles
- D'interpréter les résultats de chaque méthode et d'analyser les différents graphiques qui en découlent
- De connaître les moyens d'évaluation de la qualité et de la robustesse du modèle
Programme de la formation
Rappel sur la modélisation
- Variable à expliquer / Variables explicatives
- Objectif de la modélisation
- Choix de variables
- Choix de modèles
- Plusieurs types de modèles
Rappel sur les modèles linéaires simples
- ANOVA (1 ou plusieurs facteurs)
- Modèle
- Qualité d'ajustement du modèle
- Régression (simple, multiple)
- Modèle
- Qualité d'ajustement du modèle
- Limites des modèles linéaires simples (Y non continu, hétéroscédasticité, résidus non normaux…)
Principes des modèles linéaires généralisés (GLM)
- Cadre de développement de modèles linéaires généralisés
- Modélisation où hypothèses fondamentales des modèles linéaires simples ne sont pas respectées
- Type de variable à expliquer : Y dichotomique, Y polytomique, Y bornés (proportion ou pourcentage), Mesures de comptage
- Modèle GLM
- Estimation des paramètres du modèle
- Transformation mathématique de la variable à expliquer
- Méthodes d'estimation : Maximum de vraisemblance
Application du modèle
- Régression logistique
- Variable de réponse catégorielle
- Estimation des effets
- Odd Ratio, comment les lire et les comprendre
- Choix des variables
- Choix du modèle
- Diagnostic du Modèle
- Régression de Poisson
- Variable de réponse comme mesure de comptage
- Estimations des effets
- Lire et comprendre les coefficients
- Choix des variables
- Choix du modèle
- Diagnostic
- Problème de la surdispersion et des zéros
- ZIP, Zero Inflated Poisson
- Variable de réponse comme mesure de comptage avec présence de zéro importante
- Modélisation différencié : Y=0 et Y> 0
- Lire et comprendre les coefficients
- Choix des variables
- Choix du modèle
- Diagnostic
- Régression sur Y en proportion
Modèles non linéaires
- Contexte et objectif
- Différence modèle linéaire – modèle non linéaire
- Exemple de modèles non linéaires
- Vers le modèle mixte et au-delà ?
Proposé par
GROUPE ARKESYS
"La formation maintenant pour vos talents de demain"
Proposé par
GROUPE ARKESYS
