Analyse de la variance et régression linéaire par Groupe Arkesys

ANOVA SIMPLE
-Contexte d'utilisation de l'Anova simple
-Parallèle et différences avec le test de Student
-Données indépendantes et données appariées
-Conditions de mise en oeuvre de l'Anova
-Décomposition de la variance
-Interprétation de la table de l'Anova
-Erreur expérimentale
-Significativité des effets
-Principes de lecture de la table de Fisher
-Importance des degrés de liberté de l'erreur
-Comparaisons multiples des moyennes
-Les différents tests disponibles (Tukey, Bonferroni, Newman
- Keuls, ...) -Etude des grandes erreurs à ne pas commettre dans l'ANOVA
ANOVA À DEUX ET X FACTEURS
-Contexte d'utilisation de l'Anova à deux facteurs
-Définition de la notion d'interaction
- Sens physique
- Approche graphique
- Conditions de mise en oeuvre de l'Anova à deux facteurs
- Plan équilibré - Plan déséquilibré -La décomposition de la variance
-Interprétation de la table de l'Anova
- Les différentes sommes de carrés (type I et III) - Calcul de l'erreur
- Significativité des effets
- Significativité de l'interaction
-Comparaisons multiples des moyennes : les différents tests (Tukey, Bonferroni, Dunnett,...) -Traitements graphiques des analyses
PROTOCOLES EXPÉRIMENTAUX ET GÉNÉRALITÉS SUR LES DIFFÉRENTS TYPES DE MODÈLES
-Présentation du modèle linéaire
-Les différents types de facteurs
-Les différents types de modèles
- Modèles sans interactions
- Les modèles avec interactions
- Les modèles croisés
- Les modèles imbriqués
- Les mesures répétées
- Importance et pertinence du protocole expérimental
RÉGRESSION LINÉAIRE SIMPLE ET MULTIPLE
-Principes généraux de la régression
- Différences entre ANOVA et Régression
- Rappels des objectifs
- Conditions d'utilisation
- Principes de base de la modélisation par la régression
-Les différents modèles de la régression
- Modèle linéaire simple
- Modèle linéaire multiple
-Qualité du modèle
- Erreur d'estimation
- Coefficient de détermination
- Analyse des résidus
- Calculs des résidus
- Sens physique
- Homogénéité, distribution
- Valeurs suspectes
- Analyses graphiques
- Utilisation du modèle
- Prédiction de valeurs individuelles
- Intervalles de confiance des prédictions
-Traitement graphique des résultats
- Etude des grandes erreurs à ne pas commettre dans une régression
-Détection des problèmes de colinéarité entre variables explicatives/

A l'issue de cette formation, l'apprenant sera capable de :
-Vérifier les conditions de mise en oeuvre d'une ANOVA à un et plusieurs facteurs.
-Comprendre les calculs de l'ANOVA/n
-Interpréter les résultats d'une ANOVA
-Mettre en oeuvre un test a posteriori (Tukey, Bonferroni, Dunnett, ...)
-Interpréter le sens physique d'une interaction
-Connaître le contexte des Anova à mesures répétées
-Connaître le contexte des Anova hiérarchisées
-Mettre en oeuvre un modèle de régression linéaire simple et le valider
-Comprendre le contexte de la régression multiple