Modèles linéaires généralisés - Régression logistique, de Poisson et ZIP (Zero Inflated Poisson)
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
