Réaliser ses analyses statistiques avec R

Apprendre à utiliser le logiciel R pour analyser des données.
Mettre en oeuvre dans R les méthodes de statistique descriptive, décisionnelle, analyse de la variance, régression linéaire et analyse de données multidimensionnelles. 

 Statistiques descriptives

• Gestion d’un jeu de données - dataframe
  Importation, caractérisation, sélection, sous-ensembles
• Premières analyses d’un jeu de données
  Premières vérifications, valeurs manquantes, recodage
• Résumé d’une variable quantitative – numeric
  Indicateurs numériques, représentations graphiques
• Résumé d’une variable qualitative – factor
  Indicateurs numériques, représentations graphiques
  

- Intervalle de confiance

• Le raisonnement à partir d’un échantillon
  Généralités, échantillonnage, estimation d’un paramètre
• Intervalle de confiance d’une moyenne
• Intervalle de confiance d’une proportion
• Intervalle de confiance d’une variance
  

- Tests d’hypothèses

• Qu’est-ce qu’un test d’hypothèse ?
  Généralités, règle de décision, risques d’erreur, puissance
• Les tests de conformité ou de comparaison à une norme
  Conformité d’une moyenne, d’une proportion
• Les tests de comparaison de deux populations
  Comparaison de deux moyennes, de deux proportions
• Test d’ajustement à une loi de probabilité normale
  Le test de Shapiro-Wilk
• Introduction aux tests non paramétriques
  Test de Wilcoxon, Mann et Whitney, Kruskal Wallis, Friedman
  

- Liaisons entre deux variables

• Liaison entre deux variables quantitatives
  Nuage de points, intensité de la liaison, significativité
• Liaison entre deux variables qualitatives
  Tableau de contingence, intensité et significativité du lien de dépendance : test du khi2
• Liaison entre une variable qualitative et quantitative
  Comparaison de plusieurs populations, le rapport de corrélation
• Liaisons entre plusieurs variables
  Approches graphiques : matrice de nuages de points, treillis
  Caractériser des sous-populations par plusieurs variables
  

- L’analyse de la variance – Anova

• Analyse de la variance à un facteur
  Variabilité inter, intra, totale – Rapport de corrélation - Le test de Fisher
• Comparaisons multiples de moyennes
  Analyses post hoc, la procédure de Tukey
• Analyse de la variance à deux facteurs et interaction
• Extensions de l’Anova
  Modèle à effet fixe ou aléatoire, modèle hiérarchisé
  

- Régression linéaire simple et multiple

• De la corrélation à la régression
  L’intérêt d’un modèle - Variables à expliquer, explicatives, erreur
• La régression linéaire simple
  Ajustement par la méthode des moindres carrés - Tests et validation du modèle
• La régression linéaire multiple
• Choix d’un modèle de régression
  Pourquoi sélectionner un sous-ensemble de variables explicatives ?
  Les différentes approches et critères de sélection d’un modèle
  

- Analyse de données multidimensionnelles

• Un panorama des méthodes multidimensionnelles
  Analyses factorielles, classification – Le package FactoMineR
• ACP : Analyse en Composantes principales
• AFC : Analyse Factorielle des Correspondances
• ACM : Analyse des correspondances Multiples
• CAH : Classification Ascendante Hiérarchique