EC
Biostatistiques
Compétences requises
Tests d’hypothèses, procédure Neyman-Pearson
Axiomatique des probabilités
Lois de distribution principales
Chaînes de Markov, technique de Monte Carlo, algorithme de Metropolis(-Hastings)
Régression linéaire simple et multiple
--
Hypothesis testing, Neyman-Pearson procedure...
Axiomatic of probability
Distribution probabilities
Markov chains, Monte Carlo technique, Metropolis algorithm(-Hastings)
Simple and multiple linear regression
Compétences visées
Cet enseignement vise à apporter des connaissances théoriques et pratiques à l’étudiant en situation d’analyse de données et de recherche.
Approfondir les connaissances sur les bases de la statistique et des statistiques
Connaître les particularités des biostatistiques par rapport aux statistiques
Comprendre les enjeux de l’inférence et du raisonnement statistiques
Maîtriser le cadre général des tests d’hypothèses
Avoir des connaissances théoriques et pratiques de modélisation (modèles régressifs)
NB : si l’inférence fréquentiste est abordée, l’essentiel des enseignements traitera de la vision et de la pratique bayésiennes.
- différencier les biostatistiques des statistiques ;
- savoir distinguer les bases de l’inférence fréquentiste et de l’inférence bayésienne ;
- comprendre le principe d’un test d’hypothèse et l’approche bayésienne des tests ;
- savoir manipuler le logiciel R et ses liens avec Jags
- savoir caractériser les données issues d’expérimentation, de recherche clinique, d’épidémiologie observationnelle, … et en tirer les conséquences en termes de modélisation ;
- pouvoir définir le principe de la modélisation en statistique ;
- maîtriser les bases des analyses bayésiennes quant à leur technique d’estimation, vérification de la convergence des algorithmes, vérification de l’adéquation des modèles ;
- maîtriser l’écrire d’un modèle de régression pour des données habituellement rencontrés et pouvoir estimer ses paramètres;
savoir gérer différents types de données, ainsi que les données manquantes.
--
This lecture aims to provide the student with theoretical and practical knowledge in data analysis and research situations.
Deepen knowledge on the bases of statistics and statistics
Know the particularities of biostatistics in relation to statistics
Understand the issues of statistical inference and reasoning
Deal with the general framework of hypothesis testing
Have theoretical and practical knowledge of modelling (regression models)
NB: if frequentist inference is addressed, the bulk of the teachings will deal with Bayesian vision and practice.
- Differentiate biostatistics from statistics;
- know how to distinguish the bases of frequentist and Bayesian inference;
- understand the principle of hypothesis testing and the Bayesian approach to testing;
- know how to manipulate the R software and its links with Jags.
- know how to characterize data from experimentation, clinical research, observational epidemiology, ... and draw the consequences in terms of modeling;
- be able to define the principle of statistical modelling;
- master the bases of Bayesian analyses in terms of their estimation technique, verification of the convergence of algorithms, verification of the adequacy of models;
- deal with the writing of a regression model for commonly encountered data and be able to estimate its parameters;
- know how to manage different types of data, as well as missing data.
Syllabus
CM1 - Inférence fréquentiste et tests d’hypothèses, inférence bayésienne
CM1-1 Des lois à l’inférence bayésienne
CM1-2 Introduction à la statistique : histoire statistique, probabilité, inférence
CM2/TD - Outils descriptifs et inférence de base
CM2-1 Une proportion, k proportions, une moyenne, une Poisson (situation conjuguée)
CM2-2 Comparaison de deux proportions, deux moyennes (McMC)
TP1 - Introduction à R
TP1-1 Inférence de base
TP1-2 Introduction à R2jags
CM3 - Schémas d’étude (plans expérimentaux, épidémiologie)
CM4 - Modélisation
CM4-1 Régression linéaire et GLM (régressions logistique, de Poisson)
CM4-2 Données manquantes
CM4-3 Données longitudinales et modèles mixtes
TP2 Modélisation
--
CM1 - Frequentist Inference and Hypothesis Testing, Bayesian Inference
CM1-1 From distributions to Bayesian Inference
CM1-2 Introduction to statistics: history, probability, inference
CM2/TD - Descriptive tools and basic inference
CM2-1 One proportion, k proportions, one mean, one Poisson (conjugacy)
CM2-2 Comparison of two proportions, two means (McMC)
TP1 - Introduction to R
TP1-1 Basic Inference
TP1-2 Introduction to R2jags
CM3 - Study designs (experimental designs, epidemiology)
CM4 - Modelling
CM4-1 Linear regression and GLM (logistic, Poisson regressions)
CM4-2 Missing data
CM4-3 Longitudinal data and mixed models
TP2 Modelling