- Langue du parcours :Français
- ECTS :
- Volume horaire TPTDCICM
- Formation initialeFormation continue
- ApprentissageContrat de professionnalisation
Objectifs du programme
Les objectifs de cette formation sont d’apporter à l’étudiant des compétences statistiques à jour, c’est-à-dire que l’étudiant devra être capable de lire, comprendre et discuter un article scientifique récent utilisant inférence fréquentiste ou bayésienne, de montrer son autonomie dans l’interprétation de données et dans la rédaction des sections « méthode » et « résultats » d’un article ainsi que dans la rédaction d’un rapport d’analyse.
Comp étences à acquérir :
1. Élicitation des lois a priori
a. Connaitre les règles générales de l’élicitation
b. Connaitre les lois de distribution essentielles utilisables comme prior (densité, paramètres, propriétés)
c. Savoir choisir les hyperparamètres d’une loi a priori
d. Connaitre les sources d’information utilisation pour l’élicitation (littérature, experts, etc.)
e. Juger de l’informativité d’un prior
f. Mener une analyse de sensibilité et en interpréter les résultats
2. Modèles de vraisemblance
a. Savoir choisir un modèle de vraisemblance en fonction des données
3. Conduite à tenir a posteriori
a. Maitriser les fondements théoriques du passage des lois a priori aux lois a posteriori
b. Connaitre les méthodes analytiques (situation conjuguée) d’extraction des lois a posteriori et les méthodes par simulation et/ou approximation (McMC)
c. Maitriser la méthode de fonctionnement des McMC (nombre d’itéraction, burn-in, thinning, etc.)
d. Savoir poser un diagnostic de convergence probable des algorithmes
e. Connaitre la conduite à tenir en cas de non convergence des algorithmes
4. Présentation des résultats
a. Savoir choisir des modèles graphiques et descriptifs des données
b. Savoir présenter et discuter des résultats d’inférence (tendance centrale, étendue de distribution, etc.)
c. Savoir présenter et discuter des résultats de convergence des al gorithmes
5. Autres considérations méthodologiques
a. Savoir mettre en évidence les données manquantes, en discuter les mécanismes de survenue et choisir une méthode éventuelle de traitement
b. Connaitre les schémas des études épidémiologiques et de recherche clinique et adapter les méthodes d’analyse en conséquence
c. Maitriser un calcul de nombre nécessaire de sujet
Comp étences à acquérir :
1. Élicitation des lois a priori
a. Connaitre les règles générales de l’élicitation
b. Connaitre les lois de distribution essentielles utilisables comme prior (densité, paramètres, propriétés)
c. Savoir choisir les hyperparamètres d’une loi a priori
d. Connaitre les sources d’information utilisation pour l’élicitation (littérature, experts, etc.)
e. Juger de l’informativité d’un prior
f. Mener une analyse de sensibilité et en interpréter les résultats
2. Modèles de vraisemblance
a. Savoir choisir un modèle de vraisemblance en fonction des données
3. Conduite à tenir a posteriori
a. Maitriser les fondements théoriques du passage des lois a priori aux lois a posteriori
b. Connaitre les méthodes analytiques (situation conjuguée) d’extraction des lois a posteriori et les méthodes par simulation et/ou approximation (McMC)
c. Maitriser la méthode de fonctionnement des McMC (nombre d’itéraction, burn-in, thinning, etc.)
d. Savoir poser un diagnostic de convergence probable des algorithmes
e. Connaitre la conduite à tenir en cas de non convergence des algorithmes
4. Présentation des résultats
a. Savoir choisir des modèles graphiques et descriptifs des données
b. Savoir présenter et discuter des résultats d’inférence (tendance centrale, étendue de distribution, etc.)
c. Savoir présenter et discuter des résultats de convergence des al gorithmes
5. Autres considérations méthodologiques
a. Savoir mettre en évidence les données manquantes, en discuter les mécanismes de survenue et choisir une méthode éventuelle de traitement
b. Connaitre les schémas des études épidémiologiques et de recherche clinique et adapter les méthodes d’analyse en conséquence
c. Maitriser un calcul de nombre nécessaire de sujet
Modalités pédagogiques
Présentiel (Moodle ou autres supports en complément)
Informations diverses
Le DU se déroule sur une année universitaire, sans stage. Un volume total de 100 heures sera dispensé sous la forme de 60 heures de cours magistraux et de 40 heures de TD.
En plus des 100 heures de présence, l’étudiant aura à assurer la rédaction d’un rapport pour la validation finale du DU.
Les enseignements se répartissent en 60 heures de cours magistraux et 40 heures de TD dont les intitulés sont les suivants :
Chapitres des CM (total de 60 heures) :
1 Principal général et probabilités 12h
2 Lois de distribution 8h
3 Statistiques descriptives et inférence (posterior explicite) 4h
4 Techniques 8h
5 Modélisation 12h
6 Adéquation des modèles 4h
7 Données manquantes, données aberrantes 8h
8 Epistémologie bayésienne et conclusion 4h
TD (total de 40 heures) :
TD 0: rédaction scientifique et lecture critique d’articles 6h
TD A: introduction au logiciel R 6h
TD B: introduction à WinBUGS et interface avec R 8h
TD C: Statistiques descriptives et inférence (McMC) 6h
TD D: équivalent de modèles mixtes 8h
TD E: Essai thérapeutique 6h
Contact :
Responsable de la formation : Pr SAULEAU Erik-André ea.sauleau@unistra.fr
En plus des 100 heures de présence, l’étudiant aura à assurer la rédaction d’un rapport pour la validation finale du DU.
Les enseignements se répartissent en 60 heures de cours magistraux et 40 heures de TD dont les intitulés sont les suivants :
Chapitres des CM (total de 60 heures) :
1 Principal général et probabilités 12h
2 Lois de distribution 8h
3 Statistiques descriptives et inférence (posterior explicite) 4h
4 Techniques 8h
5 Modélisation 12h
6 Adéquation des modèles 4h
7 Données manquantes, données aberrantes 8h
8 Epistémologie bayésienne et conclusion 4h
TD (total de 40 heures) :
TD 0: rédaction scientifique et lecture critique d’articles 6h
TD A: introduction au logiciel R 6h
TD B: introduction à WinBUGS et interface avec R 8h
TD C: Statistiques descriptives et inférence (McMC) 6h
TD D: équivalent de modèles mixtes 8h
TD E: Essai thérapeutique 6h
Contact :
Responsable de la formation : Pr SAULEAU Erik-André ea.sauleau@unistra.fr
Contact(s)
Eric-Andre Sauleau