Formation
Modèles Linéaires Généralisés & régression PLS
Niveau
Durée
Modalités
Public
La formation en quelques mots
Cette formation s'adresse à des personnes souhaitant mettre en œuvre et interpréter les résultats d’une méthode d’analyse statistique prédictive au-delà des conditions du modèle linéaire classique (réponse Y de distribution non gaussienne, multi colinéarités, plus de variables que d'observations) :
- Régression de Poisson
- Régression logistique (réponse binaire ou multimodale)
- Régression PLS
L’objectif de cette formation est de transmettre aux participant.e.s un savoir-faire méthodologique sur ces analyses : contexte et objectifs, conditions d’utilisation, mise en œuvre et interprétation des résultats…
Pré-requis
Programme pédagogique simplifié
Cette formation s’adresse à des personnes souhaitant mettre en œuvre et interpréter les résultats d’une méthode d’analyse statistique prédictive au-delà des conditions du modèle linéaire classique (réponse Y de distribution non gaussienne, multi colinéarités, plus de variables que d’observations) :
- Régression de Poisson,
- Régression logistique (réponse binaire ou multimodale),
- Régression PLS.
L’objectif de cette formation est de transmettre aux participant.e.s un savoir-faire méthodologique sur ces analyses : contexte et objectifs, conditions d’utilisation, mise en œuvre et interprétation des résultats…
Objectifs pédagogiques
A l’issue de cette formation, l’apprenant sera capable de :
- Expliquer les particularités du contexte d’application comparé à celui du modèle linéaire « classique »,
- Définir le cadre et les objectifs des différentes méthodes,
- Mettre en œuvre et interpréter une régression logistique (réponse binaire ou multimodale),
- Mettre en œuvre et interpréter une régression de Poisson (réponse = effectifs),
- Mettre en œuvre et interpréter une régression PLS,
- Vérifier les conditions de mise en œuvre des différentes méthodes,
- Connaître les grandes lignes des concepts mathématiques inhérents à ces méthodes,
- Mesurer la qualité d’ajustement et la qualité de prédiction du modèle.
