Modélisation statistique
9 crédits Vincent AUDIGIER EPN06 - Mathématique et statistique Unité d'enseignement de type cours
Publié Du 01-09-2007 au 31-08-9999
Avoir le niveau de l'unité d'enseignement : STA. 103 (calcul des probabilités) et STA001 (Techniques de la statistique)
Maîtriser les outils de la modélisation statistique (sélection de modèles, validation, interprétation) dans un contexte général (données continues, discrètes, qualitatives, mixtes) via l'utilisation de méthodes paramétriques (modèles linéaires et modèle linéaire généralisé) ou non-paramétriques.
Acquérir des connaissances ainsi qu'un savoir-faire dont l'objectif est de traiter un problème concret par une approche de modélisation (applications à des données réelles).
Mettre en œuvre cette modélisation à l'aide d'un logiciel de modélisation statistique avancé (logiciel R) et savoir interpréter les résultats obtenus.
Statisticien modélisateur
L'unité STA110 apparaît dans 3 cursus.
Certificat de compétence Statistique pour la finance
Master Sciences, technologies, santé, mention mathématiques appliquées, statistique parcours Statistique du risque pour la finance et l'assurance
Master Sciences, technologies, santé, mention mathématiques appliquées, statistique parcours Science des données
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.
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.
| Titre | Auteur(s) |
|---|---|
| Regression analysis of count data models (Cambridge University Press) | CAMERON, TRIVEDI |
| Time series analysis (Princeton University Press) | HAMILTON |
| Le modèle linéaire par l’exemple (Dunod) | Azaïs J-M., Bardet J-M |
| Régression linéaire : Théorie et applications (Statistiques et probabilités appliquées)) | Cornillon P., Matzner-Lober, E. |
| Statistiques avec R (PUR) | , Cornillon, PA, Guyader, A., Husson, F., Jégou, N., Josse, J., Kloareg, M., Matzner-Lober, E., Rouvière, L. |
| Statistique inférentielle : idées, démarches, exemples. (PUR) | J.J. Daudin, S. Robin, C. Vuillet |
| Modèle linéaire, Comparaison de groupes et régression (Les Editions INSERM) | Prum, B. |
| Probabilités, Analyse des données et Statistiques (Technip) | G. Saporta |