Modèles prédictifs, régressions linéaires, logistiques, Pls et Ancova

Qualiopi

Découvrez comment maîtriser les modèles prédictifs et les techniques avancées de régression pour transformer vos données en décisions éclairées. Rejoignez-nous pour une formation interactive et pratique qui boostera vos compétences analytiques!

À partir de 6200 €
Durée 28h en 4 jours
Localisation Partout en France
Logo de GROUPE ARKESYS - Modèles prédictifs, régressions linéaires, logistiques, Pls et Ancova

Proposé par

GROUPE ARKESYS

Prérequis

Il est indispensable que les participants aient :

  • De bonnes connaissances sur les outils statistiques de base : statistiques descriptives, intervalles de confiance, p-value, risque alpha, tests d'hypothèses…
  • Quelques connaissances sur la corrélation et la régression linéaire

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

  • Définir le contexte et les objectifs des différentes méthodes
  • Mettre en œuvre et interpréter les résultats des méthodes suivantes
    • Régression linéaire multiple
    • Modèle linéaire général (ANCOVA, MANOVA…)
    • Régression PLS
    • Régression logistique
  • Vérifier les conditions de mise en œuvre des différentes méthodes
  • Connaître les grandes lignes des concepts mathématiques inhérents à ces méthodes
  • Identifier et prendre en compte les problèmes de multi colinéarités sur les modèles linéaires : sélection des variables, PLS…
  • Mesurer la qualité d'ajustement et la qualité de prédiction (d'estimation des coefficients) du modèle
  • Détecter et analyser les points aberrants / les points influents

Programme de la formation

Rappels sur les notions de corrélation

  • Définition du coefficient de corrélation
  • Interprétation de la valeur du coefficient de corrélation
  • Les confusions : corrélation, causalité, pente…
  • Les différents coefficients de corrélation
    • Coefficient de Pearson
    • Coefficient de Spearman


Modélisation de type régression linéaire simple

  • Principes et concepts mathématiques inhérents à la régression linéaire simple
  • Tests d'hypothèse de significativité du modèle
  • Qualité du modèle, 
  • Coefficient de détermination R², R² ajusté, R² Prev
  • Utilisation du modèle
    • Prédiction de valeurs individuelles
    • Intervalles de confiance des prédictions
  • Traitement graphique des résultats
  • Principes et concepts mathématiques inhérents à la régression linéaire multiple
  • Inférence du modèle, inférence des variables (statistique de Fisher)
  • Analyse des résidus
    • Calculs des résidus
    • Sens physique et statistique
    • Homogénéité
    • Distribution, Normalité
    • Valeurs suspectes
    • Analyses graphiques
  • Valeurs suspectes et points influents
    • Résidus : résidus studentisés
    • Effet levier
    • Distance de Cook
  • Qualité du modèle
    • Qualité d'ajustement, coefficient de détermination R², R² ajusté
    • Qualité de prédiction, erreur d'estimation
  • Utilisation du modèle
    • Prédiction (prévision) de valeurs individuelles
    • Intervalles de confiance des prédictions (prévisions)
  • Illustration graphique des résultats

 

Le modèle de régression multiple

  • Significativité des coefficients
  • Hiérarchie des coefficients
  • Problèmes liés à la multi-colinéarité
  • Mesures des colinéarités 
    • Coefficient de corrélation
    • Vifs
  • Résolution des problèmes de multi-colinéarité


Analyse des problèmes de multi colinéarité à travers la sélection des variables

  • Détection de la colinéarité
    • Effets nocifs de la colinéarité entre variables explicatives
    • Outils de détection : corrélation, VIF, cohérence des signes
  • Les solutions proposées
    • Expérimentation structurée
    • Sélection de variables
    • PLS
  • Traitement de la colinéarité – Sélection de variables
    • Sélection par optimisation. Critère du R², du R² ajusté, de l'AIC et du BIC
    • Algorithmes de sélection « pas à pas » : Forward selection, Backward selection, Stepwise regression


Mise en œuvre et interprétation des résultats d'une régression PLS

  • Contexte et objectifs
  • Présentation des différentes méthodes de régression sur des données colinéaires : PCR, régression de Ridge et PLS
  • Principes et concepts mathématiques inhérents à la PCR et la régression PLS
  • Présentation des différentes versions de la régression PLS
  • Mise en œuvre et interprétation des résultats : graphiques, coefficients du modèle…
  • Choix du nombre de composantes (validation croisée)
  • Composantes et coefficients de régression
  • Qualité d'ajustement, qualité de prédiction
  • Coefficients Q² et R²
  • Importance des variables explicatives pour la prédiction
    • Coefficients normalisés
    • VIP
  • Sélection de variables


Mise en œuvre et interprétation des résultats d'une ANCOVA (modèles linéaires généraux)

  • Contexte et objectifs
  • Notion d'interaction entre les variables explicatives qualitatives et quantitatives
  • Modèle à droites confondues
  • Modèle additif
  • Modèle complet
  • Mise en œuvre et interprétation des résultats des différents modèles
  • Lecture et utilisation du modèle
  • Tests de significativité des différents termes (F de Fisher)
  • Epuration du modèle (sélection des termes et des variables influents)
  • Conditions d'utilisation de l'ANCOVA

 

Modélisation de type régression logistique

  • Contexte et objectifs
  • Différences entre la régression linéaire et la régression logistique
  • Définition du modèle Logit
  • Mise en œuvre et interprétation des résultats 
  • Découpage en classes des variables explicatives quantitatives
  • Estimation et interprétation des coefficients du modèle
  • Tests d'apport d'une variable (test de Wald, tests sur les rapports de vraisemblance)
  • Interprétation du Khi² de Wald
  • Odds-ratios
  • Parallèle odds ratios et risques relatifs
  • Analyse du tableau de classement
    • Taux de réussite, taux d'échec
    • Vrais positifs, vrais négatifs, faux positifs, faux négatifs
  • Probabilités ajustées et utilisation du modèle à des fins de prédiction
  • Conditions d'utilisation
Logo de GROUPE ARKESYS - Formation Modèles prédictifs, régressions linéaires, logistiques, Pls et Ancova

Proposé par

GROUPE ARKESYS

"La formation maintenant pour vos talents de demain"

Voir la fiche entreprise
À partir de 6200 €
Logo de GROUPE ARKESYS - Modèles prédictifs, régressions linéaires, logistiques, Pls et Ancova

Modèles prédictifs, régressions linéaires, logistiques, Pls et Ancova

0 ville proposant cette formation
Logo

La 1ère plateforme pour trouver une formation, choisir son orientation ou construire son projet de reconversion.

© 2024 France Carrière. Tous droits réservés.