Page suivante: 4.4.3 Méthodes spatiales
Niveau précédent: 4.4 Niveau 3
Page précédente: 4.4.1 Le modèle mixte -
Phase FPSTAT
M-A. GRUET, S. HUET, E. JOLIVET.
Objectifs : comprendre les bases statistiques des analyses non
linéaires et devenir autonomes dans le traitement des données.
La régression non-linéaire
Vulgarisation d'une méthodologie et valorisation d'outils
informatiques sous Splus. Cette formation a été structurée
autour :
- Des modèles statistiques de régression. Présentation à
partir d'exemples du choix d'une fonction de régression et
modélisation de l'erreur.
- Des problèmes d'estimation. Présentation de méthodes
d'estimation des paramètres adaptées à différentes
modélisations de l'erreur.
- Des diagnostics d'écarts au modèle. Les outils
graphiques de l'informatique sont utilisés pour montrer
comment on peut apprécier la cohérence entre les hypothèses
d'un modèle et les données expérimentales.
- Des intervalles de confiance. On s'intéresse à la
construction des intervalles de confiance pour quantifier la
qualité des estimations liée à la performance de la méthode
choisie.
- Des tests. Après avoir utilisé des méthodes descriptives
pour la validation de certaines hypothèses, on montre comment
utiliser de façon complémentaire la théorie de la décision
statistique.
Le modèle linéaire généralisé
Phase FPSTAT
J. BADIA, S. HUET.
-
- Introduction au modèle linéaire
généralisé. Introduction par des exemples de la notion de
modèle linéaire généralisé et introduction du formalisme.
-
- Les modèles linéaires généralisés à effets fixés
- Inférence. Même démarche qu'en régression
non-linéaire. Les mêmes résultats asymptotiques permettent
de présenter clairement les notions d'estimation, de test,
de deviance, d'intervalle de confiance et de choix de
modèle.
- Calcul des estimateurs et diagnostics d'écarts au
modèle. C'est l'estimateur du maximum de vraisemblance
qui est utilisé. L'étude des résidus, la recherche des
points influents constituent des étapes importantes de
l'analyse de données réelles, elles sont présentées sur
des exemples.
- Le modèle multinomial. Le modèle multinomial est
privilégié car il présente des facettes multiples
(variables réponses ordinale, nominale, hiérarchique ;
variables facteurs fixées ou aléatoires). Il convenait de
présenter ce modèle avant d'aborder le modèle linéaire
généralisé mixte.
-
- Les modèles linéaires généralisés mixtes
Phase FPSTAT
J-L. FOULLEY.
Cette partie se réfère aux modèles à seuil utilisés en sélection
animale. Ils sont caractérisés par une structure mixte des facteurs de
variation. Les principales méthodes d'estimation statistique des
paramètres de position et de dispersion intéressant le sélectionneur
sont présentées et regroupées dans les chapitres :
- Modèle Probit Normal Binomial. Il a été choisi pour
présenter le plus simplement possible différentes méthodes
d'estimation (maximum de vraisemblance, de
quasi-vraisemblance, approche bayésienne, ...). Pour ces
méthodes, les algorithmes de calcul sont présentés ainsi que
les propriétés asymptotiques des estimateurs.
- Les modèles Probit Normal Multinomial et Logit Normal
Multinomial. L'extension des méthodes précédentes au cas de
plusieurs catégories dans le cas des polytomies ordonnées et
non ordonnées. Ces développements sont présentés dans le
cadre des modèles probit et logit appliqués à la sélection.
Next: 4.4.3 Méthodes spatiales
Up: 4.4 Niveau 3
Previous: 4.4.1 Le modèle mixte -
Faure Pascale
2006-03-15