Biostatistiques et statistiques appliquées aux sciences expérimentales
|
|
- Pascale Piché
- il y a 6 ans
- Total affichages :
Transcription
1 Cogmaster A4 p. 1/26 Biostatistiques et statistiques appliquées aux sciences expérimentales Comparaisons multiples Christophe Lalanne Cogmaster
2 Cogmaster A4 p. 2/26 Objet de la séance Rappels sur le test d ANOVA hypothèses et validité diagnostic Comparaison(s) spécifique(s) des moyennes de k échantillons (indépendants) planifiées non-planifiées (a posteriori)
3 Cogmaster A4 p. 3/26 Le modèle d ANOVA à 1 facteur Hypothèse nulle : H 0 : µ 1 = µ 2 = µ 3 =... = µ k (égalité des k moyennes de population) H 1 : i,j µ i µ j (H 1 H 0 ) Statistique de test : F de Fisher-Snedecor, rejet de H 0 ssi F obs > F ν1,ν 2 ;α=0.05 (ou p obs < 0.05) Conditions de validité indépendance des résidus (i.e. écarts à la moyenne) homogénéité des variances (après transformation, si nécessaire) normalité des résidus
4 Cogmaster A4 p. 4/26 Loi de Fisher-Snedecor Densité F(2,10) F(6,32) F(6,18) F(4,12) P(F>2.40)=0.05 P(F>3.26)= quantiles théoriques
5 Cogmaster A4 p. 5/26 Après l ANOVA... le test F permet de détecter qu au moins une paire de moyennes est significativement différente on est souvent (mais pas nécessairement) intéressé par des comparaisons spécifiques de paires de moyennes différentes stratégies selon la question posée et le plan d expériences considéré (présence ou non d un groupe témoin, groupes équilibrés ou non, classement des groupes) ces comparaisons peuvent avoir été pensées avant l expérience : comparaisons planifiées (pss besoin du test F global) suggérées après observation des résultats : comparaisons a posteriori, ou dans un but explicatif (post-hoc) ces comparaisons peuvent être à visée indicative ou confirmatoire
6 Cogmaster A4 p. 6/26 Problème posés par les comparaisons multiples comparaison de toutes les paires de moyennes (k groupes) : C k(k 1) 2 tests à α = 0.05! risque global nombre de tests : 1 (1 α) m où m = C k(k 1) 2 ex : 5 groupes à comparer, risque d erreur réel = 40 %! Si les 5 moyennes sont égales (H 0 ), on détectera au moins une paire de moyennes significativement différentes dans 40 % des cas.
7 Cogmaster A4 p. 7/26 Procédures de comparaisons multiples 2 stratégies 1. utiliser des tests indépendants : contrastes orthogonaux 2. utiliser des tests spécifiques : test t avec correction de Bonferroni, Newman-Keuls, Tukey HSD, Dunnett... tests spécifiques, 2 approches : modifier le risque de première espèce α pour que le risque total (risque expérimental) demeure 0.05 : méthode de Bonferroni adapter la statistique de test (plus conservateur) : méthode HSD de Tukey comparaisons non-planifiées : seulement si le test F est significatif, surtout si la visée est confirmatoire.
8 Cogmaster A4 p. 8/26 ANOVA et test t p valeur (tests t multiples) p valeur (anova) V Zoonekynd,
9 Cogmaster A4 p. 9/26 Méthode des contrastes (1) idée : partitionner la variance en SC indépendantes (cas des comparaisons non-planifiées) contraste c i = permet la comparaison d une moyenne, ou d un ensemble de moyennes, à une autre (à l aide d une différence de moyennes, comme pour le test t, µ 1 µ 2 ) définition : deux contrastes sont orthogonaux si le produit de leur coefficients de contraste est nul. Pour un plan à k échantillons, il y a k 1 contrastes orthogonaux formulation : avec i c i = 0 φ = k i=1 c i x i statistique de test : ddl de la résiduelle) φ s φ (s 2 φ = s 2 i c 2 i n i ), à comparer à un t à ν ddl (ν =
10 Cogmaster A4 p. 10/26 Méthode des contrastes (1) limites : les contraintes imposent un choix particulier de contraste, surtout lorsque le nombre de groupes k > 3 ex : 3 groupes a, b et c ; contrastes = a vs. b et b vs. c Exemple : 4 échantillons : x 1, x 2, x 3, x 4 H 0 : µ 1 = µ 4 c = [ ] H 0 : (µ 1 + µ 2 )/2 = (µ 3 + µ 4 )/2 c = [ ]
11 Cogmaster A4 p. 11/26 Utilisation de contrastes sous R (1) n <- 20 g <- gl(5,n,5*n,labels=paste(rep( g,5),1:5,sep="")) y <- NULL for (i in 1:5) y <- append(y,rnorm(n,mean=runif(1)*i,sd=1.5)) plot(y ~ g,horizontal=t,xlab = y,ylab = x ) model1 <- aov(y ~ g) summary(model1) summary.lm(model1) levels(g) contrasts(g) <- cbind(c(4,-1,-1,-1,-1),c(0,1,1,-1,-1), c(0,0,0,1,-1),c(0,1,-1,0,0)) model2 <- aov(y ~ g) summary.lm(model2) Matrice de contraste : [,1] [,2] [,3] [,4] g g g g g
12 Cogmaster A4 p. 12/26 Utilisation de contrastes sous R (2) y g1 g2 g3 g4 g x
13 Cogmaster A4 p. 13/26 Utilisation de contrastes sous R (3) Residuals vs Fitted Normal Q Q Residuals Standardized residuals Fitted values Theoretical Quantiles Standardized residuals Scale Location Standardized residuals Constant Leverage: Residuals vs Factor Levels g : g1 g5 g3 g2 g4 Fitted values Factor Level Combinations
14 Cogmaster A4 p. 14/26 Utilisation de contrastes sous R (4) Modèle global (summary(model1)) Df Sum Sq Mean Sq F value Pr(>F) g e-05 *** Residuals Tests sur les coefficients du modèle complet (summary.lm(model1)) Residuals: Min 1Q Median 3Q Max Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) gg *** gg ** gg e-07 *** gg ** Residual standard error: on 95 degrees of freedom Multiple R-Squared: ,Adjusted R-squared: F-statistic: on 4 and 95 DF, p-value: 2.164e-05
15 Cogmaster A4 p. 15/26 Utilisation de contrastes sous R (5) Tests sur les contrastes (summary.lm(model2)) Residuals: Min 1Q Median 3Q Max Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) < 2e-16 *** g e-06 *** g g * g Residual standard error: on 95 degrees of freedom Multiple R-Squared: ,Adjusted R-squared: F-statistic: on 4 and 95 DF, p-value: 2.164e-05
16 Cogmaster A4 p. 16/26 Utilisation de contrastes sous R (6) Remarque : Un contraste n est rien d autre qu un test t (au carré) ; on parle de comparaisons à 1 ddl. Rappel statistique de test pour le t : t obs = x 1 x 2 s 2 p /n où s 2 p est une estimation de la variance commune (dans le cas où l on suppose l homogénéité des variances) Il existe d autres types de contrastes sous R : treatment contrasts, Helmert contrasts (par défaut sous R), sum contrast. Ils sont spécifiés grâce à la commande options(contrasts=c("contr.treatment","contr.poly")).
17 Cogmaster A4 p. 17/26 Méthode du t multiple protégé (LSD) (1) idée : utiliser le test t classique, en calculant la variance commune (erreur-type au dénominateur) à partir de l ensemble des échantillons méthode : (1) si les effectifs sont inégaux, on calcule un t pour chaque paire de moyenne ; (2) si les effectifs sont égaux, on calcule directement la plus petite différence significative (LSD), = t n 1;α= s2, à n laquelle on compare chacune des différences de moyenne intérêt : rapide et simple à mettre en œuvre ; donne un aperçu global de l ensemble des différences de moyennes considérées comme significatives limites : la protection n existe que sous H 0 ; visée indicative seulement
18 Cogmaster A4 p. 18/26 Méthode du t multiple protégé (LSD) (2) Idée naïve : calcul de tous les t avec comme erreur-type la résiduelle des 2 séries d observations considérées res <- matrix(na,nrow=5,ncol=5) for (j in 1:5) { for (i in 1:5) res[i,j] <- round(t.test(y[as.numeric(g)==j], y[as.numeric(g)==i],var.equal=t)$p.value,4) } res[upper.tri(res,diag=t)] <- NA dimnames(res) <- list(levels(g),levels(g)) Calcul de LSD : même chose en prenant comme erreur-type la résiduelle de toutes les séries d observations nk <- 20 # nb d obs par groupe tmp <- summary.aov(model1) residuals <- tmp[[1]]$ Mean Sq [2] # var. résiduelle lsd <- qt(0.975, 2*nk-2) * sqrt(2 * residuals/nk) plot.design(aggregate(y,list(g),mean)) segments(0.25,mean(y)-lsd/2,0.25,mean(y)+lsd/2)
19 Cogmaster A4 p. 19/26 Méthode du t multiple protégé (LSD) (3) mean of x g3 g4 g2 g5 g1 Group.1 Factors
20 Cogmaster A4 p. 20/26 Méthode du t multiple protégé (LSD) (4) res <- matrix(na,nrow=5,ncol=5) for (j in 1:5) { for (i in 1:5) { diff.mean <- mean(y[as.numeric(g)==j]) - mean(y[as.numeric(g)==i]) res[i,j] <- ifelse(abs(diff.mean) > lsd, round(diff.mean,2), NA) } } res[upper.tri(res,diag=t)] <- NA dimnames(res) <- list(levels(g),levels(g))
21 Cogmaster A4 p. 21/26 Méthode du t multiple protégé (LSD) (5) t avec s 2 p calculée sur les 2 échantillons comparés (valeurs de p obs ): g1 g2 g3 g4 g5 g1 NA NA NA NA NA g NA NA NA NA g NA NA NA g NA NA g NA t avec s 2 p calculée sur tous les échantillons comparés (valeurs des différences de moyennes significatives): g1 g2 g3 g4 g5 g1 NA NA NA NA NA g2 NA NA NA NA NA g NA NA NA g NA 1.09 NA NA g5 NA NA 1.92 NA NA Note: ces valeurs ne correspondent pas à l exemple initial de l ANOVA...
22 Cogmaster A4 p. 22/26 Méthode du t corrigé (Bonferroni) idée : même principe (test t), en corrigeant le risque α en fonction du nombre de comparaisons pour m comparaisons (m < C k(k 1) 2 ), on fixe α, α = 0.05, comme risque m de première espèce pour chacun des tests : méthode de Bonferroni intérêt : rapide et simple à mettre en œuvre ; donne un aperçu global de l ensemble des différences de moyennes considérées comme significatives pairwise.t.test(y,g,p.adjust.method="bonf") Il existe d autres types de méthodes de correction (?p.adjust).
23 Cogmaster A4 p. 23/26 Méthode de Tukey (HSD) (1) très utilisé en complément de l ANOVA lorsque l on cherche à expliquer des différences non prévues lors de la conception du protocole (démarche post-hoc) idée : modifier la statistique de test pour que la détection d une différence significative soit plus difficile statistique de test : T = x 1 x 2 s p à comparer aux valeurs q des range studentisés (?qtukey). R donne les IC associés à chaque comparaison limites : effectifs égaux dans chaque groupe model1.hsd <- TukeyHSD(model1) plot(model1.hsd,las=1) Le package multcomp comprend un ensemble de procédures de comparaisons multiples (?simint).
24 Cogmaster A4 p. 24/26 Méthode de Tukey (HSD) (2) 95% family wise confidence level g2 g1 g3 g1 g4 g1 g5 g1 g3 g2 g4 g2 g5 g2 g4 g3 g5 g3 g5 g Differences in mean levels of g
25 Cogmaster A4 p. 25/26 En résumé (1) Méthode des contrastes traitements à rôle symétrique ou non ; toujours valable si les contrastes sont indépendants ; problème du choix de ceux-ci ; visée confirmatoire Méthode du t multiple protégé traitements à rôle symétrique ; peu puissant ; risque de conclusions erronées lorsqu il y a un grand nombre de comparaisons ; visée indicative Méthode du t corrigé (Bonferroni) traitements à rôle symétrique ; visée indicative/confirmatoire Méthode de Scheffé traitements à rôle symétrique ; manque de puissance (trop de protection); permet de tester la nullité de n importe quel contraste; visée confirmatoire
26 Cogmaster A4 p. 26/26 En résumé (2) Méthode de Newman-Keuls traitements à rôle symétrique ; puissance accrue si les effectifs sont égaux et les contrastes simples ; permet de «grouper» les moyennes ; visée confirmatoire Méthode de Tukey traitements à rôle symétrique ; même protection que Newman-Keuls, mais moins puissante ; nécessite des effectifs égaux, et des contrastes simples ; visée confirmatoire Méthode de Dunnett traitements à rôle non symétrique ; utilisable dans le cas d une comparaison à un groupe témoin (ou de référence) ; nécessite le recours à une table spécifique ; visée confirmatoire
Analyse de la variance Comparaison de plusieurs moyennes
Analyse de la variance Comparaison de plusieurs moyennes Biostatistique Pr. Nicolas MEYER Laboratoire de Biostatistique et Informatique Médicale Fac. de Médecine de Strasbourg Mars 2011 Plan 1 Introduction
Plus en détailIntroduction aux Statistiques et à l utilisation du logiciel R
Introduction aux Statistiques et à l utilisation du logiciel R Christophe Lalanne Christophe Pallier 1 Introduction 2 Comparaisons de deux moyennes 2.1 Objet de l étude On a mesuré le temps de sommeil
Plus en détailExercices M1 SES 2014-2015 Ana Fermin (http:// fermin.perso.math.cnrs.fr/ ) 14 Avril 2015
Exercices M1 SES 214-215 Ana Fermin (http:// fermin.perso.math.cnrs.fr/ ) 14 Avril 215 Les exemples numériques présentés dans ce document d exercices ont été traités sur le logiciel R, téléchargeable par
Plus en détailUne introduction. Lionel RIOU FRANÇA. Septembre 2008
Une introduction INSERM U669 Septembre 2008 Sommaire 1 Effets Fixes Effets Aléatoires 2 Analyse Classique Effets aléatoires Efficacité homogène Efficacité hétérogène 3 Estimation du modèle Inférence 4
Plus en détailMODELE A CORRECTION D ERREUR ET APPLICATIONS
MODELE A CORRECTION D ERREUR ET APPLICATIONS Hélène HAMISULTANE Bibliographie : Bourbonnais R. (2000), Econométrie, DUNOD. Lardic S. et Mignon V. (2002), Econométrie des Séries Temporelles Macroéconomiques
Plus en détailUn exemple de régression logistique sous
Fiche TD avec le logiciel : tdr341 Un exemple de régression logistique sous A.B. Dufour & A. Viallefont Etude de l apparition ou non d une maladie cardiaque des coronaires 1 Présentation des données Les
Plus en détailAnalyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés
Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Professeur Patrice Francour francour@unice.fr Une grande partie des illustrations viennent
Plus en détailLire ; Compter ; Tester... avec R
Lire ; Compter ; Tester... avec R Préparation des données / Analyse univariée / Analyse bivariée Christophe Genolini 2 Table des matières 1 Rappels théoriques 5 1.1 Vocabulaire....................................
Plus en détailAnalyse de variance à deux facteurs (plan inter-sujets à deux facteurs) TP9
Analyse de variance à deux facteurs (plan inter-sujets à deux facteurs) TP9 L analyse de variance à un facteur permet de vérifier, moyennant certaines hypothèses, si un facteur (un critère de classification,
Plus en détailPrincipe d un test statistique
Biostatistiques Principe d un test statistique Professeur Jean-Luc BOSSON PCEM2 - Année universitaire 2012/2013 Faculté de Médecine de Grenoble (UJF) - Tous droits réservés. Objectifs pédagogiques Comprendre
Plus en détailBureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr
Dominique Muller Laboratoire Inter-universitaire de Psychologie Bureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr Supports de cours : webcom.upmf-grenoble.fr/lip/perso/dmuller/m2r/acm/
Plus en détailBiostatistiques Biologie- Vétérinaire FUNDP Eric Depiereux, Benoît DeHertogh, Grégoire Vincke
www.fundp.ac.be/biostats Module 140 140 ANOVA A UN CRITERE DE CLASSIFICATION FIXE...2 140.1 UTILITE...2 140.2 COMPARAISON DE VARIANCES...2 140.2.1 Calcul de la variance...2 140.2.2 Distributions de référence...3
Plus en détailExemples d application
AgroParisTech Exemples d application du modèle linéaire E Lebarbier, S Robin Table des matières 1 Introduction 4 11 Avertissement 4 12 Notations 4 2 Régression linéaire simple 7 21 Présentation 7 211 Objectif
Plus en détailDensité de population et ingestion de nourriture chez un insecte vecteur de la maladie de Chagas
Fiche TD avec le logiciel : tdr335 Densité de population et ingestion de nourriture chez un insecte vecteur de la maladie de Chagas F. Menu, A.B. Dufour, E. Desouhant et I. Amat La fiche permet de se familiariser
Plus en détaildistribution quelconque Signe 1 échantillon non Wilcoxon gaussienne distribution symétrique Student gaussienne position
Arbre de NESI distribution quelconque Signe 1 échantillon distribution symétrique non gaussienne Wilcoxon gaussienne Student position appariés 1 échantillon sur la différence avec référence=0 2 échantillons
Plus en détailCours (7) de statistiques à distance, élaboré par Zarrouk Fayçal, ISSEP Ksar-Said, 2011-2012 LES STATISTIQUES INFERENTIELLES
LES STATISTIQUES INFERENTIELLES (test de Student) L inférence statistique est la partie des statistiques qui, contrairement à la statistique descriptive, ne se contente pas de décrire des observations,
Plus en détailTests de comparaison de moyennes. Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique»
Tests de comparaison de moyennes Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique» Test de Z ou de l écart réduit Le test de Z : comparer des paramètres en testant leurs différences
Plus en détailSTATISTIQUES. UE Modélisation pour la biologie
STATISTIQUES UE Modélisation pour la biologie 2011 Cadre Général n individus: 1, 2,..., n Y variable à expliquer : Y = (y 1, y 2,..., y n ), y i R Modèle: Y = Xθ + ε X matrice du plan d expériences θ paramètres
Plus en détailChapitre 6 Test de comparaison de pourcentages χ². José LABARERE
UE4 : Biostatistiques Chapitre 6 Test de comparaison de pourcentages χ² José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Nature des variables
Plus en détailTests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE
Chapitre 5 UE4 : Biostatistiques Tests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés.
Plus en détailÉtude des flux d individus et des modalités de recrutement chez Formica rufa
Étude des flux d individus et des modalités de recrutement chez Formica rufa Bruno Labelle Théophile Olivier Karl Lesiourd Charles Thevenin 07 Avril 2012 1 Sommaire Remerciements I) Introduction p3 Intérêt
Plus en détailExemple PLS avec SAS
Exemple PLS avec SAS This example, from Umetrics (1995), demonstrates different ways to examine a PLS model. The data come from the field of drug discovery. New drugs are developed from chemicals that
Plus en détailBiostatistiques : Petits effectifs
Biostatistiques : Petits effectifs Master Recherche Biologie et Santé P. Devos DRCI CHRU de Lille EA2694 patrick.devos@univ-lille2.fr Plan Données Générales : Définition des statistiques Principe de l
Plus en détailExemples d Analyses de Variance avec R
Exemples d Analyses de Variance avec R Christophe Pallier 5 août 00 Résumé R est un logiciel d analyse statistique qui fournit toutes les procédures usuelles (t-tests, anova, tests non paramétriques...)
Plus en détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
Plus en détailChapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE
UE4 : Biostatistiques Chapitre 3 : Principe des tests statistiques d hypothèse José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Introduction
Plus en détailModèles pour données répétées
Résumé Les données répétées, ou données longitudinales, constituent un domaine à la fois important et assez particulier de la statistique. On entend par données répétées des données telles que, pour chaque
Plus en détailDonnées longitudinales et modèles de survie
ANALYSE DU Données longitudinales et modèles de survie 5. Modèles de régression en temps discret André Berchtold Département des sciences économiques, Université de Genève Cours de Master ANALYSE DU Plan
Plus en détailCours 9 : Plans à plusieurs facteurs
Cours 9 : Plans à plusieurs facteurs Table des matières Section 1. Diviser pour regner, rassembler pour saisir... 3 Section 2. Définitions et notations... 3 2.1. Définitions... 3 2.2. Notations... 4 Section
Plus en détailIntroduction à la statistique non paramétrique
Introduction à la statistique non paramétrique Catherine MATIAS CNRS, Laboratoire Statistique & Génome, Évry http://stat.genopole.cnrs.fr/ cmatias Atelier SFDS 27/28 septembre 2012 Partie 2 : Tests non
Plus en détailStatistiques. Rappels de cours et travaux dirigés. Master 1 Biologie et technologie du végétal. Année 2010-2011
Master 1 Biologie et technologie du végétal Année 010-011 Statistiques Rappels de cours et travaux dirigés (Seul ce document sera autorisé en examen) auteur : Jean-Marc Labatte jean-marc.labatte@univ-angers.fr
Plus en détailProbabilité et Statistique pour le DEA de Biosciences. Avner Bar-Hen
Probabilité et Statistique pour le DEA de Biosciences Avner Bar-Hen Université Aix-Marseille III 2000 2001 Table des matières 1 Introduction 3 2 Introduction à l analyse statistique 5 1 Introduction.................................
Plus en détailTABLE DES MATIÈRES. PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats. Pierre Dagnelie
PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats Pierre Dagnelie TABLE DES MATIÈRES 2012 Presses agronomiques de Gembloux pressesagro.gembloux@ulg.ac.be www.pressesagro.be
Plus en détailTESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION
TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun
Plus en détailFIMA, 7 juillet 2005
F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation
Plus en détailStatistiques Descriptives à une dimension
I. Introduction et Définitions 1. Introduction La statistique est une science qui a pour objectif de recueillir et de traiter les informations, souvent en très grand nombre. Elle regroupe l ensemble des
Plus en détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en détailStatistiques Appliquées à l Expérimentation en Sciences Humaines. Christophe Lalanne, Sébastien Georges, Christophe Pallier
Statistiques Appliquées à l Expérimentation en Sciences Humaines Christophe Lalanne, Sébastien Georges, Christophe Pallier Table des matières 1 Méthodologie expérimentale et recueil des données 6 1.1 Introduction.......................................
Plus en détailIntroduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
Plus en détailI. Ensemble de définition d'une fonction
Chapitre 2 Généralités sur les fonctions Fonctions de références et fonctions associées Ce que dit le programme : Étude de fonctions Fonctions de référence x x et x x Connaître les variations de ces deux
Plus en détailStatistique : Résumé de cours et méthodes
Statistique : Résumé de cours et méthodes 1 Vocabulaire : Population : c est l ensemble étudié. Individu : c est un élément de la population. Effectif total : c est le nombre total d individus. Caractère
Plus en détailFORMULAIRE DE STATISTIQUES
FORMULAIRE DE STATISTIQUES I. STATISTIQUES DESCRIPTIVES Moyenne arithmétique Remarque: population: m xμ; échantillon: Mx 1 Somme des carrés des écarts "# FR MOYENNE(série) MOYENNE(série) NL GEMIDDELDE(série)
Plus en détailBIOSTATISTIQUES AVANCEES PLAN. Quelques références. Master Biologie Intégrative 1 ère année
Master Biologie Intégrative 1 ère année 1 BIOSTATISTIQUES AVANCEES Yves Desdevises! Observatoire Océanologique de Banyuls-sur-Mer (www.obs-banyuls.fr)! 04 68 88 73 13! desdevises@obs-banyuls.fr! http://desdevises.free.fr
Plus en détailImputation du salaire d ego dans TeO
Imputation du salaire d ego dans TeO Objet de la note : linéariser la réponse en tranche du salaire, et imputer le salaire en cas de non réponse Champ et principe de la méthode Les individus qui se sont
Plus en détailLe Modèle Linéaire par l exemple :
Publications du Laboratoire de Statistique et Probabilités Le Modèle Linéaire par l exemple : Régression, Analyse de la Variance,... Jean-Marc Azaïs et Jean-Marc Bardet Laboratoire de Statistique et Probabilités
Plus en détailNOTE SUR LA MODELISATION DU RISQUE D INFLATION
NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui
Plus en détailEtude des propriétés empiriques du lasso par simulations
Etude des propriétés empiriques du lasso par simulations L objectif de ce TP est d étudier les propriétés empiriques du LASSO et de ses variantes à partir de données simulées. Un deuxième objectif est
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailCOMPARAISON DE LOGICIELS TESTANT L INDEPENDANCE DE VARIABLES BINAIRES
J. sci. pharm. biol., Vol.9, n - 00, pp. 9-0 EDUCI 00 9 VALLEE POLNEAU S.* DIAINE C. COMPARAISON DE LOGICIELS TESTANT L INDEPENDANCE DE VARIABLES BINAIRES Notre étude visait à comparer les résultats obtenus
Plus en détailIBM SPSS Regression 21
IBM SPSS Regression 21 Remarque : Avant d utiliser ces informations et le produit qu elles concernent, lisez les informations générales sous Remarques sur p. 46. Cette version s applique à IBM SPSS Statistics
Plus en détailÉquivalence et Non-infériorité
Équivalence et Non-infériorité Éléments d Introduction Lionel RIOU FRANÇA INSERM U669 Mars 2009 Essais cliniques de supériorité Exemple d Introduction Données tirées de Brinkhaus B et al. Arch Intern Med.
Plus en détailINTRODUCTION À L'ENVIRONNEMENT DE PROGRAMMATION STATISTIQUE R
INTRODUCTION À L'ENVIRONNEMENT DE PROGRAMMATION STATISTIQUE R Y. BROSTAUX (1) RÉSUMÉ Cette note constitue une introduction au langage et à l'environnement de programmation 5 dans sa version 1.4.1 pour
Plus en détailProgrammation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
Plus en détailLa nouvelle planification de l échantillonnage
La nouvelle planification de l échantillonnage Pierre-Arnaud Pendoli Division Sondages Plan de la présentation Rappel sur le Recensement de la population (RP) en continu Description de la base de sondage
Plus en détailFOAD COURS D ECONOMETRIE 1 CHAPITRE 2 : Hétéroscédasicité des erreurs. 23 mars 2012.
FOAD COURS D ECONOMETRIE CHAPITRE 2 : Hétéroscédasicité des erreurs. 23 mars 202. Christine Maurel Maître de conférences en Sciences Economiques Université de Toulouse - Capitole Toulouse School of Economics-ARQADE
Plus en détailValidation probabiliste d un Système de Prévision d Ensemble
Validation probabiliste d un Système de Prévision d Ensemble Guillem Candille, janvier 2006 Système de Prévision d Ensemble (EPS) (ECMWF Newsletter 90, 2001) Plan 1 Critères de validation probabiliste
Plus en détailI. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
Plus en détailTESTS D'HYPOTHESES Etude d'un exemple
TESTS D'HYPOTHESES Etude d'un exemple Un examinateur doit faire passer une épreuve type QCM à des étudiants. Ce QCM est constitué de 20 questions indépendantes. Pour chaque question, il y a trois réponses
Plus en détailECTS CM TD TP. 1er semestre (S3)
Organisation du parcours M2 IRS en alternance De façon générale, les unités d enseignements (UE) sont toutes obligatoires avec des ECTS équivalents à 3 sauf le stage sur 27 ECTS et réparties sur deux semestres
Plus en détailVITICULTURE 2012 V 12 / PACA 02 STRATEGIE D APPLICATION DU CUIVRE EN VITICULTURE
VITICULTURE 212 V 12 / PACA 2 STRATEGIE D APPLICATION DU CUIVRE EN VITICULTURE Silvère DEVEZE Chambre d Agriculture de Vaucluse 1- Identification de l action a. Responsables techniques et partenaires :
Plus en détailEconométrie et applications
Econométrie et applications Ecole des Ponts ParisTech Département Sciences Economiques Gestion Finance Nicolas Jacquemet (nicolas.jacquemet@univ-paris1.fr) Université Paris 1 & Ecole d Economie de Paris
Plus en détailApplication sur le Dispositif en Blocs Complètement Randomisés
Roger Vumilia. KIZUNGU Directeur de l Expérimentation Agricole à l INERA Professeur Associé Faculté des Sciences Agronomiques Université de Kinshasa Utilisation des Logiciels de base dans la Recherche
Plus en détailApproche par groupe de gènes pour les données longitudinales d expression génique avec une application dans un essai vaccinal contre le VIH
Approche par groupe de gènes pour les données longitudinales d expression génique avec une application dans un essai vaccinal contre le VIH Boris Hejblum 1,2,3 & Rodolphe Thiébaut 1,2,3 1 Inserm, U897
Plus en détailPerformance nette du Capital Investissement en France à fin 2007. Le 16 septembre 2008
Performance nette du Capital Investissement en France à fin 2007 1 Le 1 septembre 2008 Définition du TRI Net Définition du Taux de Rendement Interne (TRI) Le TRI est le taux d actualisation qui annule
Plus en détailDémographie des masseurs-kinésithérapeutes
Démographie des masseurs-kinésithérapeutes AQUITAINE 24 33 47 40 64 24 33 40 47 64 - Conseil national de l Ordre des masseurs-kinésithérapeutes Dordogne Gironde Landes Lot-et-Garonne Pyrénées-Atlantiques
Plus en détailPrésentation de l essai 2. Enjeux et objectifs 2. Essai 1 (Screening d appétence) 2. Essai 2 (Evaluation au champ) 4.
ENPE08 1/ 10 Titre de l essai : Code de l essai : EVALUATION DU THIAMETHOXAM ET DU SPINOSAD EN STATIONS D APPATS POUR LE CONTROLE DES POPULATIONS DE FOURMIS TAPINOMA NIGERRIMUM ERFOU0111 Partenariats :
Plus en détailSimulation d application des règles CNAV AGIRC ARRCO sur des carrières type de fonctionnaires d Etat
CONSEIL D ORIENTATION DES RETRAITES Séance plénière du 10 avril 2014 à 9 h 30 «Carrières salariales et retraites dans les secteurs et public» Document N 9 Document de travail, n engage pas le Conseil Simulation
Plus en détailExercice : la frontière des portefeuilles optimaux sans actif certain
Exercice : la frontière des portefeuilles optimaux sans actif certain Philippe Bernard Ingénierie Economique & Financière Université Paris-Dauphine Février 0 On considère un univers de titres constitué
Plus en détailNON-LINEARITE ET RESEAUX NEURONAUX
NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail
Plus en détailLa crise économique vue par les salariés français
La crise économique vue par les salariés français Étude du lien entre la performance sociale et le contexte socioéconomique Baggio, S. et Sutter, P.-E. La présente étude s intéresse au lien entre cette
Plus en détailFeuille 6 : Tests. Peut-on dire que l usine a respecté ses engagements? Faire un test d hypothèses pour y répondre.
Université de Nantes Année 2013-2014 L3 Maths-Eco Feuille 6 : Tests Exercice 1 On cherche à connaître la température d ébullition µ, en degrés Celsius, d un certain liquide. On effectue 16 expériences
Plus en détailProgrammation Linéaire - Cours 1
Programmation Linéaire - Cours 1 P. Pesneau pierre.pesneau@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 265 Ouvrages de référence V. Chvátal - Linear Programming, W.H.Freeman, New York, 1983.
Plus en détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Plus en détailCours Fonctions de deux variables
Cours Fonctions de deux variables par Pierre Veuillez 1 Support théorique 1.1 Représentation Plan et espace : Grâce à un repère cartésien ( ) O, i, j du plan, les couples (x, y) de R 2 peuvent être représenté
Plus en détaildémographie des masseurs-kinésithérapeutes
démographie des masseurs-kinésithérapeutes Île de France - Réunion 95 78 974 93 92 75 94 91 77 75 77 78 91 92 - Paris Seine-et-Marne Yvelines Essonne Hauts-de-Seine conseil national de l ordre des masseurs-kinésithérapeutes
Plus en détailStatistiques Décisionnelles L3 Sciences Economiques & Gestion Faculté d économie, gestion & AES Université Montesquieu - Bordeaux 4 2013-2014
Tests du χ 2 Statistiques Décisionnelles L3 Sciences Economiques & Gestion Faculté d économie, gestion & AES Université Montesquieu - Bordeaux 4 2013-2014 A. Lourme http://alexandrelourme.free.fr Outline
Plus en détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détailÉconometrie non paramétrique I. Estimation d une densité
Économetrie non paramétrique I. Estimation d une densité Stéphane Adjemian Université d Évry Janvier 2004 1 1 Introduction 1.1 Pourquoi estimer une densité? Étudier la distribution des richesses... Proposer
Plus en détailModèle GARCH Application à la prévision de la volatilité
Modèle GARCH Application à la prévision de la volatilité Olivier Roustant Ecole des Mines de St-Etienne 3A - Finance Quantitative Décembre 2007 1 Objectifs Améliorer la modélisation de Black et Scholes
Plus en détailDidacticiel - Études de cas. Description de quelques fonctions du logiciel PSPP, comparaison des résultats avec ceux de Tanagra, R et OpenStat.
1 Objectif Description de quelques fonctions du logiciel PSPP, comparaison des résultats avec ceux de Tanagra, R et OpenStat. Tout le monde l aura compris, je passe énormément de temps à analyser les logiciels
Plus en détailModèles Estimés sur Données de Panel
Modèles Estimés sur Données de Panel Introduction Il est fréquent en économétrie qu on ait à composer avec des données à deux dimensions : - une dimension chronologique - une dimension spatiale Par exemple,
Plus en détailStatistiques descriptives
Statistiques descriptives L3 Maths-Eco Université de Nantes Frédéric Lavancier F. Lavancier (Univ. Nantes) Statistiques descriptives 1 1 Vocabulaire de base F. Lavancier (Univ. Nantes) Statistiques descriptives
Plus en détailChapitre 4 : Régression linéaire
Exercice 1 Méthodes statistiques appliquées aux sciences sociales (STAT-D-203) Titulaire : Catherine Vermandele Chapitre 4 : Régression linéaire Le diplôme de Master of Business Administration ou MBA est
Plus en détailAnalyse des durées de vie avec le logiciel R
Analyse des durées de vie avec le logiciel R Ségolen Geffray Des outils ainsi que des données pour l analyse des durées de vie sont disponibles dans les packages survival MASS Il est nécessaire de charger
Plus en détail3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
Plus en détailCours de Tests paramétriques
Cours de Tests paramétriques F. Muri-Majoube et P. Cénac 2006-2007 Licence Ce document est sous licence ALC TYPE 2. Le texte de cette licence est également consultable en ligne à l adresse http://www.librecours.org/cgi-bin/main?callback=licencetype2.
Plus en détailDocument d orientation sur les allégations issues d essais de non-infériorité
Document d orientation sur les allégations issues d essais de non-infériorité Février 2013 1 Liste de contrôle des essais de non-infériorité N o Liste de contrôle (les clients peuvent se servir de cette
Plus en détaildonnées en connaissance et en actions?
1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)
Plus en détailCalcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.
1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le
Plus en détailTABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.
STATISTIQUE THÉORIQUE ET APPLIQUÉE Tome 2 Inférence statistique à une et à deux dimensions Pierre Dagnelie TABLE DES MATIÈRES Bruxelles, De Boeck, 2011, 736 p. ISBN 978-2-8041-6336-5 De Boeck Services,
Plus en détailBac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures)
Bac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures) Eercice 1 (5 points) pour les candidats n ayant pas choisi la spécialité MATH Le tableau suivant donne l évolution du chiffre
Plus en détailLa valeur présente (ou actuelle) d une annuité, si elle est constante, est donc aussi calculable par cette fonction : VA = A [(1-1/(1+k) T )/k]
Evaluation de la rentabilité d un projet d investissement La décision d investir dans un quelconque projet se base principalement sur l évaluation de son intérêt économique et par conséquent, du calcul
Plus en détail(Exemple ici de calcul pour une Ducati 748 biposto, et également pour un S2R1000, équipé d un disque acier en fond de cloche, et ressorts d origine)
Analyse de la charge transmise aux roulements de la roue dentée, notamment en rajoutant les efforts axiaux dus aux ressorts de l embrayage (via la cloche) (Exemple ici de calcul pour une Ducati 748 biposto,
Plus en détailÉvaluation de la régression bornée
Thierry Foucart UMR 6086, Université de Poitiers, S P 2 M I, bd 3 téléport 2 BP 179, 86960 Futuroscope, Cedex FRANCE Résumé. le modèle linéaire est très fréquemment utilisé en statistique et particulièrement
Plus en détailModule 2 : Déterminant d une matrice
L Mth Stt Module les déterminnts M Module : Déterminnt d une mtrice Unité : Déterminnt d une mtrice x Soit une mtrice lignes et colonnes (,) c b d Pr définition, son déterminnt est le nombre réel noté
Plus en détailSéminaire TEST. 1 Présentation du sujet. October 18th, 2013
Séminaire ES Andrés SÁNCHEZ PÉREZ October 8th, 03 Présentation du sujet Le problème de régression non-paramétrique se pose de la façon suivante : Supposons que l on dispose de n couples indépendantes de
Plus en détailCours d analyse numérique SMI-S4
ours d analyse numérique SMI-S4 Introduction L objet de l analyse numérique est de concevoir et d étudier des méthodes de résolution de certains problèmes mathématiques, en général issus de problèmes réels,
Plus en détailApprentissage par renforcement (1a/3)
Apprentissage par renforcement (1a/3) Bruno Bouzy 23 septembre 2014 Ce document est le chapitre «Apprentissage par renforcement» du cours d apprentissage automatique donné aux étudiants de Master MI, parcours
Plus en détailCrédits d impôt pour la recherche scientifique et le développement expérimental («RS&DE»)
Crédits d impôt pour la recherche scientifique et le développement expérimental («RS&DE») Aperçu du programme et occasions à saisir Pascal Martel Yara Bossé-Viola 8 octobre 2014 Objectifs Objectifs du
Plus en détailSystèmes de communications numériques 2
Systèmes de Communications Numériques Philippe Ciuciu, Christophe Vignat Laboratoire des Signaux et Systèmes cnrs supélec ups supélec, Plateau de Moulon, 9119 Gif-sur-Yvette ciuciu@lss.supelec.fr Université
Plus en détail