Après avoir suivi ces cours, je me sens confiant dans la création de visualisations et de tableaux de bord professionnels.
Shoebur RahmanSpécialiste des marchés publics, Giz Bangladesh
Description du cours
Vous avez déjà étudié les bases de l’inférence statistique et des modèles linéaires ; l’étape suivante consiste à les combiner. Ce cours vous permet de comprendre comment différents échantillons peuvent produire des modèles linéaires différents, l’objectif étant de saisir le modèle de population sous-jacent. À partir du modèle linéaire estimé, vous apprendrez à construire des intervalles pour la taille d’effet et à déterminer si l’effet est significatif. Nous opposerons les intervalles de prédiction de la variable réponse aux estimations de la réponse moyenne. Tout au long du cours, vous vous exercerez avec les packages dplyr et ggplot2, et vous découvrirez le package broom pour mettre en forme les modèles ; ces trois packages sont incontournables en data science.
Prérequis
Programme de formation
Plan du cours
1
Notions d’inférence
Dans ce premier chapitre, vous comprendrez comment et pourquoi réaliser une analyse inférentielle (plutôt que purement descriptive) d’un modèle de régression.
- Variabilité des droites de régression50 XP
- Sortie de régression : exemple I100 XP
- Premier échantillon aléatoire, deuxième échantillon aléatoire100 XP
- Superposer des droites100 XP
- Question de recherche50 XP
- Hypothèse en régression50 XP
- Variabilité des coefficients50 XP
- Population d’origine - modifier la taille de l’échantillon100 XP
- Population hypothétique - moins de variabilité autour de la droite100 XP
- Population hypothétique - moins de variabilité dans la direction x100 XP
- Qu’est-ce qui modifie la variabilité des coefficients ?50 XP
2
Inférence par simulation pour le paramètre de pente
Dans ce chapitre, vous découvrirez la notion de distribution d’échantillonnage en utilisant des méthodes de simulation pour les modèles de régression.
3
Inférence basée sur t pour le paramètre de pente
Dans ce chapitre, vous apprendrez à utiliser la loi de Student pour mener une inférence dans les modèles de régression linéaire. Vous verrez aussi comment construire des intervalles de prédiction pour la variable réponse.
4
Conditions techniques en régression linéaire
Vous examinerez également les conditions techniques essentielles lorsque l’on utilise des modèles linéaires pour formuler des conclusions sur une population plus large.
5
Approfondir l’inférence en régression linéaire simple
Ce chapitre aborde des sujets qui prolongent les notions de base de l’inférence en modèles linéaires, notamment la multicolinéarité et l’inférence pour les modèles de régression multiple.
R
Inférence pour la régression linéaire en R
Cours
terminé
