Contenu de la formation
I) Méthodes paramétriques
Régression linéaire simple et multiple : modèle, moindres carrés, estimations, intervalles de confiance, tests, colinéarité, sélection de variables, validation, prédiction, interprétation. Recherche de points (aberrants, influents, atypiques et de points leviers).
Analyse de la Variance : à 1 facteur (mesures indépendantes, répétées) et à 2 facteurs (mesures indépendantes)
Analyse de la Covariance (modèles, comparaison à la régression linéaire et à l'ANOVA à 1 facteur à mesures indépendantes, paradoxe de Lord)
Régression logistique : modèle probit et logit, estimations, tests, sélection de modèles, validation, prédiction.
Modèle linéaire généralisé (regression de Poisson, modèle polytomique)
Introduction à la modélisation Bayésienne
Introduction à l'analyse de séries temporelles
II) Méthodes non-paramétriques
Régression spline
Estimateurs par moyennes locales (estimateurs à noyau)
Régression polynomiale locale
L'enseignement comporte une initiation au logiciel R et une mise en oeuvre de ce logiciel dans diverses applications.
Description des modalités de validation
L'évaluation se fera uniquement sous la forme de projets consistant en l'application des différentes méthodes de modélisation sur des données réelles. Cette évaluation sur projet sera complétée par une présentation orale.