Opportunités de formation: Réservez votre place

Module 3. Modèles linéaires généralisés : principes et applications dans le logiciel R

Background

En matière de modélisation, le modèle linéaire général (ex., régression linéaire, ANOVA, ANCOVA, etc.) s’est longtemps imposé dans de nombreuses situations courantes. Mais, ce modèle repose sur une hypothèse forte: le terme d’erreur suit une loi normale et de même variance. Mais nombreux sont également ces phénomènes (des sciences biologiques, physiques, sociales, etc.) où cette hypothèse de départ est généralement loin (voire très loin) d’être vérifiée. Le décompte d’événements rares en est un bon exemple. En effet, pour cet exemple, considérer la variable à expliquer (et son erreur) comme suivant une loi normale suppose une distribution symétrique autour de la moyenne, alors que ce n’est très probablement pas le cas, puisque la majorité des données collectées pourront, par exemple, avoir plus fréquemment pour valeurs zéro ou un. De plus, au niveau du modèle linéaire général, l’on part du postulat que les variables prédictives ont un effet linéaire sur la variable mesurée (effet qui se traduit par les coefficients de régression), or certains de ces effets ne sont peut-être pas linéaires en réalité. Par exemple, le nombre d’œufs pondus par une poule ne change peut-être pas linéairement avec son âge. Afin de permettre l’analyse de telles données, plusieurs solutions s’offrent à nous. La plus répandue consiste à trouver une transformation mathématique de la variable à expliquer pour la rendre normale. Ces transformations ne sont pas toutes efficaces, et leur effet normalisant est parfois difficile à quantifier. Par ailleurs, il reste évidemment préférable d’utiliser les données d’origine plutôt que leurs valeurs transformées ne serait-ce que pour rendre l’interprétation des résultats plus aisée. C’est donc pour ces multiples raisons que les modèles linéaires généralisés ont été développés par Nelder et Wedderburn (1972) pour pallier les insuffisances du modèle linéaire général. Ces modèles ont connu des développements récents dont nombreux sont déjà disponibles ou programmables sous le logiciel libre et gratuit R pour une analyse efficiente des données.

Sous la direction du Prof. Romain GLELE KAKAÏ (Professeur Titulaire de biométrie et foresterie, Directeur du LABEF), ce module des formations modulaires du LABEF vous introduira dans l’univers des modèles linéaires généralisés. Au cours du module, vous:

• apprendrez à identifier les facteurs en présence ainsi que la distribution de la variable réponse ;
• serez introduit aux principes des modèles linéaires généralisés ;
• écrirez des scripts R relatifs aux modèles linéaires généralisés de la famille de Poisson et Binomiale;
• interpréterez et rapporterez les résultats d’une analyse de données utilisant les modèles linéaires généralisés.

Organisation des modules 

Chaque module dure quatre jours [Lundi à Mardi-Jeudi à Vendredi] chacun de 3 heures de cours et de pratiques. Les participants seront formés sur comment rapporter les résultats d’analyse pour des articles scientifiques et des rapports.

Quand?

Du 30 juillet au 03 Août 2018

Comment s’inscrire 

Les participants peuvent s’inscrire pour le module avant le début dudit module. L’inscription est faite par envoi du formulaire d’inscription (téléchargeable ici) à contact@labef-uac.org ou remplissage en ligne du formulaire d’inscription (disponible ici).

Coût de chaque module 

Chaque module coûte 25000 FCFA (50 USD) à payer avant le début du module.

Où payer les frais de participation? 

Secrétariat du LABEF, Tel: 67 80 86 30 / 65 32 84 65 / 96 17 27 29

Combien de places sont disponibles?

Le nombre maximum de places disponibles pour un module est 50.

Où se feront les formations?

La salle de conférence du LABEF

Quelle est la langue de communication?

Le Français