Choisissez la formation. Qui vous intéresse! SPSS Maghreb 72,Av.des Nations Unies Rabat-Agdal-Maroc. Tél : /67 Fax :

Transcription

1 SPSS Maghreb 72,Av.des Nations Unies Rabat-Agdal-Maroc Tél : /67 Fax : Choisissez la formation spssmaroc@maghrebnet.net.ma Qui vous intéresse! Site web :

2 A chaque métier, Statistical Products Solutions & Services sa formation

3 Chers utilisateurs, Vous nous avez fait confiance dans le choix de votre logiciel SPSS, outil d analyse puissant qui vous aidera quotidiennement dans un grand nombre de vos problématiques. Afin de vous donner pleinement satisfaction, nous souhaitons vous accompagner dans la découverte et l exploration des fonctionnalités de nos produits pour vous permettre une exploitation rapide et optimale de vos données. Nous avons donc développé une gamme complète de modules de formation visant à offrir à chaque utilisateur, une approche pratique du logiciel ainsi que l apprentissage des techniques statistiques utilisées pour vos analyses. Vous trouverez dans ce catalogue, en fonction de votre activité et de vos besoins, la formation qui vous permettra d acquérir ou d élargir vos connaissances. L équipe de formateurs SPSS Maghreb met à votre disposition la pleine mesure de ses compétences pour vous transmettre l essentiel dont vous avez besoin. A bientôt, chez SPSS Maghreb

4 Data management et reporting I Data management et reporting II Statistiques exploratoires Réalisation de masques de saisie Elaboration de typologies Construction de scores et segmentation Analyse conjointe Séries chronologiques et prévisions Analyse de variance et approche GLM Analyse de survie Modèles de régression Programmation et syntaxes Formations Introduction à Clementine Modèles avancés avec Clementine Bon de commande

5 Data management et reporting I Naviguer dans SPSS, différencier les outils de mise en forme des outils de traitement, effectuer une étude statistique simple incluant tableaux descriptifs et graphiques. Connaître les outils de Datamanagement du module de base dans le but de posséder tous les éléments nécessaires à la préparation d un fichier de données avant traitement. Module nécessaire : SPSS Base 3 jours 2 Présentation de SPSS - Editeur de données. - Fenêtre de résultats. -Syntaxe et script. 2 Importation des données dans SPSS - Ouverture directe. - Requêtes ODBC. - Lecture de données ASCII. 2 Premières mises en forme de fichier de données - Définition de variables, modèles, dictionnaire. - Création de filtres de données, ventilation d un fichier. - Personnalisation des menus déroulants et barres d outils. 2 Création de nouveaux champs - Création de variables simples. - Recodage automatique de variables. - Recodage manuel. - Discrétisation. 2 Elaboration de rapports standards - Tableaux de fréquences et Caractéristiques. - Tableaux croisés et tableaux de bord. - Modèles et exportation vers Word et Excel. 2 Création et modification de graphiques standards - Diagrammes en bâtons, en aire, en secteurs, curviligne. - Personnalisation des graphes et utilisation de modèles. - Formatage et exportation vers Word. - Mise en forme du rapport final. 2Calcul de nouvelles variables - Calcul de variables conditionnelles. - Variables chaînes de caractères. - Variables Dates. 2 Complément sur la mise en forme d un fichier - Fusion par observations. - Fusion par variables simple. - Fusion par variables avec table de consultation. - Agrégation de fichier 2 La notion de cube OLAP - Structure pivotante d un cube OLAP. - Personnalisation d un cube. - Modèles de cube. 2 Graphiques interactifs - Propriétés standards des graphiques interactifs. - Gestionnaire de diagrammes. - Modèles de diagrammes. 2 Automatisation des tâches - Génération de syntaxe avec la commande coller. - Récupération de la syntaxe du fichier journal. - Elaboration d un programme simple. - Utilisation des aides. - Mode production et exécution à partir de manus personnalisés

6 Data management et reporting II Découvrir les principes d utilisation des outils de reporting avancés ainsi que Leurs fonctionnalités. Adapter la structure des données en fonction des tableaux recherchés. 2 Tableaux généraux Pré-requis : Data management et Reporting Modules nécessaires : SPSS Base. SPSS Tableaux. 1 jour 2 Tableaux statistiques de Base - Croisement de variables nominales. - Prise en compte d une variable en strate. - Pourcentages multiples. - Positionnement des étiquettes et formatage. - Emboîtement et listage. -Edition et notion de tableau pivotant. - Tableaux de moyennes. 2 Tableaux de fréquences - Tableaux de fréquences simples. - Tableaux de fréquences multiples. - Fréquences pondérées. -Croisement de variables nominales. - Positionnement des étiquettes. - Prise en compte de variables continues. - Traitement des réponses multiples. - Traitement des réponses multiples dichotomiques. 2 Exportation des résultats - Exportation des résultats vers un traitement de texte. - Exportation des résultats vers un tableur. - Lien Active. - Utilisation de scripts. 2 Fonctions avancées - Utilisation de la syntaxe et du mode production. - Comparaison de groupes spécifiques. - Pourcentage cumulé. - Pourcentage et moyenne pour variables multiples.

7 Statistiques exploratoires Découverte des premiers éléments constitutifs d une phase exploratoire Acquérir une méthodologie pour mener à bien la phase descriptive et déboucher sur des analyses multivariées. Pré-requis: Data management et Reporting I Modules nécessaires: SPSS Base 2 jours 2 Statistiques descriptives - Quelques concepts de base. - Description d une variable quantitative, qualitative ordinale. - Etude d une distribution. 2 Estimation et tests - Les principales lois de probabilité. - Démarche suivie pour une estimation. - Estimation d une moyenne. - Test d hypothèse. 2 Etude des relations entre variables continues - Corrélations bivariées de Pearson. - Extension :régression linéaire simple. 2 Extension d une étude de corrélations Régression linéaire - Choix du modèle. - Vérification des hypothèses de base. - Choix des variables et tests de significativité. - Traitement des ponts aberrants. - Etude des résidus 2 Etude d un tableau croisé - Tests d indépendance du Chi 2. - Tests/Mesures de discordance: Tau-b de Kendall et Kappa. - Risques relatifs. 2 Complément sur les tests non paramétriques - Le test d ajustement du Chi-2. - Le test Binomial. - Le test de normalité. - Le test de Suites. 2 Comparaison d échantillons indépendants - Comparaison de deux échantillons indépendants - Comparaison de K échantillons indépendants. 2 Etude d un comportement entre plusieurs groupes: Analyse de la variance à un facteur. - Vérification des hypothèses de base. - Somme des carrés inter et intra groupes. - Tests de comparaisons multiples. - Choix de la modalité de référence. - Violation des hypothèses de base:test de Kruskal-Wallis. 2 Comparaison d échantillons appariés - Comparaison de deux échantillons appariés. - Comparaison de K échantillons appariés.

8 Réalisation de masques de saisie Maîtriser la conception de formulaires d enquêtes professionnels. Faciliter et fiabiliser la collecte des données. 2 Présentation de SPSS Data Entry -Les fenêtres. - Les fichiers. Pré-requis : Aucun Modules nécessaires: SPSS Base SPSS Data Entry - Les questions. - Les variables. 2 Formalisation du questionnaire - Création des questions. - Formatage de questions. - Création de variables. - Relations entre variables. 2 Récolte des données - Saisie à partir de formes. - Saisie à partir d une table. 1 jour - Définition d un ordre de saisie. - Modification de variable lors de la saisie. 2 Programmation de règles - Règles de validation. - Règles de vérification. - Règles de saut et remplissage.

9 Construction de modèles

10 Elaboration de typologies Mettre en avant des typologies ou classes de population. Distinguer les contextes d utilisation des principaux outils de traitements statistiques en fonction de la nature de variables. Pré-requis : Data management et Reporting I Statistiques exploratoires Modules nécessaires : SPSS Base SPSS Correspondances 2 jours 2 Détermination de classes d individus en fonction de leurs ressemblances - Les stratégies d agrégation: méthode de Ward, saut minimum, saut maximum,distance moyenne entre les classes,médiane. - Les mesures de distance sur données continues qualitatives, ou binaires. - Les techniques de standardisation des valeurs et des mesures. -Le dendogramme et les indices de niveau. - Description des classes. 2 Classification Nuées Dynamiques - Classement simple, classement avec nouveaux centres. - Utilisation de centres de classes existants. - Détermination du nombre classes et description des classes. 2 Extensions à des volumes de données importants: les classifications mixtes - Avantages et inconvénients de la classification hiérarchique et des nuées dynamiques. - Deux algorithmes de classification mixte. 2 Construction de typologie sur une population définie par des critères continus -La réduction des données. - Pourcentage de variance expliquée. - Qualité de représentation des axes et des variables. - Faciliter l interprétation des résultats: les techniques de rotation(varimax, Equamx, Quartimax.) - Coordonnées factorielles et poids des individus. - Description des classes, individus et variables supplémentaires. - Extensions.

11 Construction de scores et segmentation Segmenter une population afin d en déterminer les principaux profils. Construire un score à partir de SPSS et d Answer Tree afin de déterminer les facteurs influents. Pré-requis: Data Management et Reporting I Statistiques exploratoires Modules nécessaires : SPSS Base SPSS Modèles de régression Answer Tree 2 jours 2 Introduction -Eléments de méthodologie générale. 2 Calcul d un score à travers les techniques de segmentations - Terminologie des arbres de segmentation. - Utilisation et domaines d appplication. - Méthodes de segmentation de Answer Tree: CHAID, Exhaustive CHAID, C&RT et QUEST. - Interprétation d un arbre de segmentation. - Apprentissage, test et déploiement. 2 Prédiction d un score pour une population définie par deux classes ou plus: l analyse discriminante - L objectif de l analyse discriminante. - Les hypothèses de base et leur vérification. - Méthodes pas à pas et sélection de variables. - Coefficients des fonctions de score, fonctions discriminantes et fonctions de Fisher. - Comment lever certaines des hypothèses de base de l analyse discriminante? -Echantillon d apprentissage et échantillon de tests. - Matrice de confusion et qualité de prédiction. - Déploiement du score. 2 Prédiction d un score pour une population définie par deux classes la régression logistique binaire - Une analyse de régression particulière. - Interprétation des coefficients. - Contrastes pour variables nominales. - Echantillon d apprentissage et échantillon de test. - Matrice de confusion et qualité de prédiction. - Déploiement du score. 2 La comparaison des performances des modèles - Les matrices de confusion. - Les courbes de gains ou de concentration multiples. - Les courbes ROC.

12 Analyse conjointe Pré-requis : Data management et Reporting I Statistiques exploratoires Modules nécessaires : SPSS Base SPSS Conjointe 1 jour Estimer les paramètres et interpréter les principaux résultats. Créer un plan orthogonal et des cartes de choix. 2 Présentation de l analyse conjointe -La problématique. - Exemple d applications et d utilisation de l analyse conjointe. 2 Modélisation en analyse conjointe - Le modèle d utilité additive. - Le modèle résumé d utilité additive. 2 Les plans d expérience pour la détermination de produits - Rappel sur les plans d expérience complet. - Les plans d expérience fractionnaires. - Générations de plans fractionnaires orthogonaux. 2 Techniques de receuil - Edition des cartes de choix. - Présentation des consignes à l enquêté. - Saisie des données selon les modes de classement. 2 Calcul des résultats - Rappel sur l utilisation de la syntaxe SPSS. - Utilisation de la procédure conjioint de SPSS. - Etude des résultats. 2 Simulations - Introduction de produits simulés. - Simulation de parts de marché.

13 Séries chronologiques Choisir la technique en fonction de la nature de vos variables et de vos séries. Interpréter des tests de validation et des graphiques associés. Effectuer des prévisions à travers les différents types de modélisation de séries temporelles et prévisions Pré-requis : Data management et Reporting I Statistiques exploratoires Modules nécessaires : SPSS Base SPSS Series 2 jours 2 Méthode empirique d analyse de séries chronologiques Analyse de la tendance - Ajustement de fonctions. - Elimination de la tendance. Analyse de la composante saisonnière - Etude de la périodicité de la série. - Définition de la périodicité. - Identification de la composante saisonnière. - Désaisonnalisation 2 Les méthodes de prévision par lissage - Le lissage exponentiel simple. - Le lissage exponentiel de Holt. - Le lissage exponentiel de Winters. 2 Modélisation univariée de Box et Jenkins Stationnarité - Fonctions d autocorrélation. - Tests sur les fonctions d autocorrélation. - Exemples d autocorrélogrammes simples. Processus autorégressif AR - Formulation. - Caractérisation. Processus moyenne mobile MA - Formulation. -Caractérisation. Processus ARMA - Formulation. - Caractérisation. Processus ARIMA et SARIMA Méthodologie de Box et Jenkins 2 Modèles multivariés - Etude des décalages: Les corrélations croisées. - Les méthodes de régression. - Les modèles autorégréssifs. - Prévisions.

14 Analyse de variance & approche GLM Pré-requis: Data management et Reporting I Statistiques exploratoires Modules nécessaires : SPSS Base SPSS Modèles avancés 2 jours Tester les effets de facteurs/variables. Détecter la présence d interactions. 2 Introduction - Le principe des comparaisons de moyennes. - Quelques outils graphiques. - Statistique paramétrique et non paramétrique. 2 Tests paramétriques et non paramétriques de comparaison de 2 moyennes ou de 2 distributions - Tests pour échantillons indépendants. - Tests pour échantillons appariés. 2 Analyse de variance à un facteur - Le principe. - Les conditions d applications. - Le problème des comparaisons multiples. - Définition des contrastes. - Equivalence avec la régression linéaire. - Les équivalents non-paramétriques. 2 Généralisation: le modèle linéaire général - Le principe. - L analyse de variance à plusieurs facteurs fixés. - Hypothèses. - Choix des sommes de carrés. - Personnalisation des tests d hypothèses. - Les comparaisons multiples. - Equivalence avec la régression linéaire. - L analyse de covariance. - Conditions d application. - Visualisation du problème. - Equivalence avec la régression linéaire. - Les modèles imbriqués. 2 Analyse de variance multivariée - Le principe. - Les hypothèses. - Ajout de facteur(s) et/ou de covariée(s). - Tests d hypothèses personnalisées. - Comparaisons multiples. 2 Analyses de variance et Mesures répétées - Le principe. - Les hypothèses. - Facteur intra-sujet et facteur temps. - Facteur inter-sujet. - Analyses à plusieurs facteurs intrasujet. - Diagrammes de profils.

15 Analyse de survie Interpréter des courbes de survie. Identifier les facteurs influents. 2 Survie actuarielle - Le principe: la table de survie actuarielle. - Individus censurés et non censurés. Pré-requis : Data management et Reporting I Statistiques exploratoires 1,0,8 Histologie = Grandes cellules - Définition de l événement. - La courbe de survie. 2 L approche de Kaplan Meier - Calcul des probabilités de survie. - Individus censurés et non censurés.,6 - Interprétations graphiques. - Comparaison de distributions de survie. Modules utilisés : SPSS Base SPSS Modèles avancés 2 jours Survie cumulée,4,2 0, Durée de survie (jours) Traitement appliqué Nouveau Nouveau-censuré Standard Standard-censuré La régression de Cox - Prise en compte de covariables. - Modèles de sélection de variables. - Le taux de hasard et le taux de survie. 2 La régression de Cox avec prédicteurs chronologiques - Prise en compte de covariables temporelles. - Prise en compte de covariables. - Modèles de sélection de variables.

16 Modèles de régression Apprendre à utiliser les techniques de régression linéaire et non linéaire standards de SPSS. Vérifier les principaux hypothèses de base. Pré-requis : Data management et Reporting I Statistiques exploratoires Modules nécessaires : SPSS Base SPSS Modèles de régression 1 jour Salaire actuel Salaire actuel = * saldeb R-Deux = Salaire d'embauche Rappels - La régression linéaire simple. - Les hypothèses de base. - La régression linéaire multiple. - Interprétation des coefficients. 2 Régression linéaire avancée - La vérification des hypothèses de Base. - Les conséquences pratiques des violations des hypothèses de base. - Le problème de l omission de prédicteur(s) pertinent(s). - Les solutions. - La prédiction. 2 Les extensions aux modèles non-linéaires - Les modèles linéarisables. - Les modèles non-linéaires. Les hypothèses La spécification du modèle La fonction de perte.

17 Programmation en syntaxe SPSS Objectif Se familiariser avec les outils de programmation SPSS. Pré-requis: Data management et Reporting I Module nécessaire : SPSS Base Durée: 2 jours 2 Introduction à la programmation en syntaxe SPSS - Syntaxe/boîte de dialogue. - Les règles de base dans la construction d une syntaxe. - Les grands types de commandes. - Créer et exécuter une syntaxe. 2 Les commandes usuelles - Transformations, création et gestion de variables. - Boucles, conditionnement. - Gestion du dictionnaire des données. - Manipulations de fichiers. - Paramétrage de l environnement SPSS. - Enchaînement de commandes et création de procédures automatiques de traitement. - Automatisation des tâches en mode production (batch mode). - Les messages d erreur. 2 La création de procédures complexes langage macro de SPSS et le scripting - Principes de base. - Les commandes macro. - Création, chargement et appel d une macro. - Introduction au langage de script SPSS (Visual Basic). - La complémentarité Syntaxe/Script. - Création et mise en forme automatique de rapports. - Automatisation de tâches en mode production (batch mode).

18 Introduction à Clem entine Être capable d utiliser l interface graphique et les différents nœuds de Clementine ainsi que les différentes techniques de modélisation. Savoir les choisir en fonction du problème à résoudre. Savoir mener à bien une étude de data mining. 2 jours 2 Introduction au Data mining - Le data mining avec Clementine. - Quand est-il pertinent de faire du data mining. - Une stratégie pour aborder les problèmes de data mining. 2 Utiliser Clementine - L interface graphique de Clementine. - La manipulation des nœuds de Clementine. - Elaborer des Schémas. - Lire des données. - S assurer de l intégrité des données. - Visualiser et explorer graphiquement ses données. - Manipuler, transfomer, nettoyer ses données. 2 Examiner les relations entre les données - Rechercher des relations entre des champs symboliques - Etudier des relations entre des champs numériques. - Visualiser des relations entre des champs symboliques et numériques. 2 Modéliser avec Clementine - Introduction aux différentes techniques. - Les réseaux de neurones. - Arbres de décision et induction de règles. - Combiner réseaux de neurones et règles. - Les réseaux de Kohonen. - Les règles d association. - Quelle technique, quand? 2 Méthode et stratégie de data mining, Déploiement - Stratégie de data mining. - CRISP-DM, la méthodologie. - Amélioration des performances des modèles. - Déploiement des modèles.

19 Manipulations de données avancées avec Clementine Apprendre à mettre en forme un fichier de données. Préparer, gérer des informations manquantes. Gérer des formats de variables particuliers. Pré-requis : Introduction à Clémentine 1 jour 2 Combiner des données provenant de différentes sources - jointure de fichiers de données grâce au nœud Concaténer. - Jointure de fichiers de données grâce au nœud fusionner. - Super nœuds. - Création de super nœuds. - Règles des super nœuds. - Edition des super nœuds. - Avantages des super nœuds. 2 Sous échantillonnage de données - Utilisation du nœud Distinct pour supprimer les éléments dupliqués. - Utilisation du nœud Echantillon pour sélectionner des enregistrements. - Utilisation du nœud Sélection pour découper un fichier de données. - Mettre les données en mémoire cache avec Clémentine. 2 Gestion des données manquantes - Données manquantes dans Clémentine. - Identification des blancs grâce au nœud Type. - Evaluation de la qualité des données. - Amélioration de la qualité des données grâce au nœud qualité. - Remplacement de blancs par des informations valides. - Vérification automatique des blancs et des valeurs hors limites. - Conseils sur la gestion des valeurs manquantes. 2 Utilisation des dates - Déclaration de formats de date dans Clémentine. - Formatage des champs pour les fonctions de date. - Calculs impliquant des dates. 2 Utilisation des données séquentielles - Fonctions séquentielles de CLEM. -Variantes COMPTE et ETAT du nœud DERIVER. - Restructuration des données séquentielles grâce au nœud Historique. 2 Manipulation des fichiers - Synthétiser les données grâce au nœud Agréger. - Restructuration des champs de type ensemble grâce au nœud Transformer. - Combiner l agrégation et la sortie transformée.

20 Modèles avancés avec Clémentine Appréhender les principaux contextes d utilisation des algorithmes de Clémentine. Connaître les options experts de chacun d entre eux, applications. Pré-requis: Introduction à Clémentine 1 jour 2 Préparation des données pour la modélisation - Nettoyage des données. - Equilibrage des données. - Transformation des données numériques. - Transformer des fanions en nombres. 2 Réseaux de neurones pour la classification - Méthodes d apprentissage. -Perceptron multicouches. - Fonction radicale de base. - Options experts. - Algorithmes disponibles. - Quelle méthode choisir? - Critère de sélection du taux d accroissement. - Utilisation du nœud Bâtir Règle pour prédire des champs numériques. 2 Techniques de Classification - Quels éléments observer lors de la classification? - Classification K-Means. - Le nœud Appr.Kmeans. - Paramétrage du nœud Kmeans. - Classification avec un réseau de Kohonen. - Le nœud Appr.Kohonen. 2 Règles d association avancées - Règles d association. 2 Tirer le maximum des modèles - Modification des valeurs de confiance pour le scoring. - Modélisation meta niveaux. - Modélisation des erreurs. - Analyse de sensibilité. 2 Induction de règles avancées - Réalisation de modèles de sorties symboliques avec le nœud Bâtir Règle. - Réalisation de modèles de sorties symboliques avec le nœud C5.0 - Découverte de règles avec Apriori. - Induction de règles généralisée ( GRI ). - Options expert d Apriori. - Options experts de GRI. - Choix d une méthode et d options expert.

21 BON DE COMMANDE F OR M ATIO N Vos coordonnées Société : Adresse : Tél : Fax : N de client : Vos noms et fonctions sont Nom : Fonction : Nom : Fonction : Nom : Fonction : Intitulé de la formation : Dates : Date : Nom et fonction du signataire : Cachet et Signature : SPSS Maghreb 72,Av.des Nations Unies Agdal-Rabat-Maroc Tel : /67 Fax :

22 Une importantebase clients siteséquipés par SPSS, Répartissurles cinq continents 4 millions d utilisateurs àtraversle monde Tous lessecteurs d activités»s confondus Un réseau mondial de compétences Une société multinationale basée à Chicago Une présence surtouslescontinents 40 filiales SPSS etde nombreusesfranchises dansle monde Un réseau de partenaires Une dynamique de développement Chiffre d Affairesen 1999, 141 millions de $ SPSS estcôtée au NASDAQ 950 employés Rachat de 10 sociétésen 5ans SPSS Maghreb 3 années d expérience 6collaborateurs permanents Plusieurs consultants experts SPSS Maghreb 72,Av.des Nations Unies Agdal-Rabat- Maroc Tél : /67 Fax: spssmaroc@maghrebnet.net.ma