Realiser ses analyses biostatistiques avec R
Data Value
Non finançable CPF
Tout public
Présentiel
Public admis
Salarié en poste
Demandeur d'emploi
Entreprise
Etudiant
Prix
1320 €
Durée
Nous contacter
Niveau visé
Non diplômante
Localité
En présentiel
Découvrez les localités disponibles pour suivre cette formation en présentiel.
Objectifs
Objectifs
Apprendre à utiliser le logiciel R pour analyser des données du domaine biomédical.
Mettre en oeuvre dans R les méthodes de statistique descriptive, décisionnelle, analyse de la variance, régression linéaire et logistique
Compétences visées
- Mettre en oeuvre dans R des analyses statistiques uni et bivariées sur des données quantitatives comme qualitatives
- Générer des données suivant une loi, évaluer la précision d'une méthode par rééchantillonnage
- Établir avec R des intervalles de confiance autour de paramètres comme moyenne, proportion et variance
- Réaliser les principaux tests d'hypothèses paramétriques et non paramétriques dans le logiciel
- Mettre en oeuvre des analyses de la variance à un ou deux facteurs pour la comparaison de moyennes de population
- Réaliser une ANOVA sur mesures répétées dans le cas où les données ne sont pas indépendantes
- Élaborer un modèle établissant une relation linéaire entre une variable à expliquer et une (régression simple) ou plusieurs (régression multiple) variables explicatives
- Construire un modèle de régression logistique pour expliquer une variable binaire (la présence ou l'absence d'une caractéristique donnée) à l'aide de variables explicatives
Apprendre à utiliser le logiciel R pour analyser des données du domaine biomédical.
Mettre en oeuvre dans R les méthodes de statistique descriptive, décisionnelle, analyse de la variance, régression linéaire et logistique
Compétences visées
- Mettre en oeuvre dans R des analyses statistiques uni et bivariées sur des données quantitatives comme qualitatives
- Générer des données suivant une loi, évaluer la précision d'une méthode par rééchantillonnage
- Établir avec R des intervalles de confiance autour de paramètres comme moyenne, proportion et variance
- Réaliser les principaux tests d'hypothèses paramétriques et non paramétriques dans le logiciel
- Mettre en oeuvre des analyses de la variance à un ou deux facteurs pour la comparaison de moyennes de population
- Réaliser une ANOVA sur mesures répétées dans le cas où les données ne sont pas indépendantes
- Élaborer un modèle établissant une relation linéaire entre une variable à expliquer et une (régression simple) ou plusieurs (régression multiple) variables explicatives
- Construire un modèle de régression logistique pour expliquer une variable binaire (la présence ou l'absence d'une caractéristique donnée) à l'aide de variables explicatives
Programme
- Statistiques descriptives
Tableaux de données (individuelles, de fréquences, regroupées, croisant plusieurs variables)
Distribution (paramètres de forme, position, dispersion)
Associations (variables quantitatives et/ou qualitatives)
Représentations graphiques (variables quantitatives et/ou qualitatives)
- Lois et Simulations avec R
Lois connues
Générations de données sous R
La méthode du bootstrap
- Intervalles de confiance
Pour une moyenne
Pour une proportion
Pour une variance
- Tests d'hypothèses
Premiers tests statistiques paramétriques
De moyennes (test de Student)
De variances
De proportions (tests d'indépendance, de chi2)
De corrélation
Tests non paramétriques
Tests d'adéquation
Tests de position
P_valeurs (p-value)
- Analyse de variance
Anova simple (à un ou deux facteurs)
Anova pour mesures répétées
- Régression linéaire
Objectifs, contexte et modèles
Corrélation
Régression linéaire simple
Régression linéaire multiple
Tests et interprétations des sorties
Validation des hypothèses
- Régression logistique simple et multiple
Objectifs, contexte et modèles
Ajustements
Tests et interprétations des sorties
Validation des hypothèses (analyse des résidus)
Tableaux de données (individuelles, de fréquences, regroupées, croisant plusieurs variables)
Distribution (paramètres de forme, position, dispersion)
Associations (variables quantitatives et/ou qualitatives)
Représentations graphiques (variables quantitatives et/ou qualitatives)
- Lois et Simulations avec R
Lois connues
Générations de données sous R
La méthode du bootstrap
- Intervalles de confiance
Pour une moyenne
Pour une proportion
Pour une variance
- Tests d'hypothèses
Premiers tests statistiques paramétriques
De moyennes (test de Student)
De variances
De proportions (tests d'indépendance, de chi2)
De corrélation
Tests non paramétriques
Tests d'adéquation
Tests de position
P_valeurs (p-value)
- Analyse de variance
Anova simple (à un ou deux facteurs)
Anova pour mesures répétées
- Régression linéaire
Objectifs, contexte et modèles
Corrélation
Régression linéaire simple
Régression linéaire multiple
Tests et interprétations des sorties
Validation des hypothèses
- Régression logistique simple et multiple
Objectifs, contexte et modèles
Ajustements
Tests et interprétations des sorties
Validation des hypothèses (analyse des résidus)
Envie d’en savoir plus sur cette formation ?
Documentez-vous sur la formation
Ces formations peuvent vous intéresser
