Régression non linéaire-Modèle linéaire généralisé


Master 2 Spécialité MPCE, parcours "Tronc commun méthodologique" / Obligatoire

Responsable

Audrey LAVENU, Université de Rennes 1

Objectifs

Les enseignements dispensés dans le cadre de cette U E ont pour objectifs de permettre aux étudiants d’assimiler et de maîtriser les bases théoriques des modèles de régression non linéaire et des modèles linéaires généralisés. Des exemples d’applications en recherche biomédicale permettront la mise en œuvre des différents modèles exposés en insistant particulièrement sur l’interprétation des résultats dans le cadre de projets encadrés. Des projets personnels seront réalisés en binômes sur des données de recherche clinique et épidémiologique. Le logiciel R sera utilisé.

Contenu des enseignements

Régression logistique : introduction, données binaires, données ordinales, transformation logit, présentation des modèles ;
Régression de Poisson : données de comptage, surdispersion ;
Estimation : estimation des paramètres, odds ratio, inférence (maximum de vraisemblance, test du rapport des vraisemblances, test de Wald)
Qualité d’ajustement - Diagnostics ;
Sélection et validation de modèles : méthodes pas à pas (backward, stepwise,…)
Modèles linéaires généralisés : généralités, formulation, composantes des modèles (composante aléatoire, déterministe, fonction de lien), inférence, qualité d’ajustement et diagnostics.

Intervenants de l’équipe de formation

Audrey Lavenu.

Bibliographie


Agresti A. Categorical data analysis. Wiley, New-York, 1990.
Dobson A.J. An introduction to generalized linear models. Chapman & Hall / CRC, Boca Raton, 2002.
Huet S., Jolivet E., Messean A. La regression non-linéaire : méthodes et applications en biologie. INRA, Paris, 1992.
Kleinbaum D.G. Logistic regression. Springer-Verlag, New-York, 1994.
McCullagh P., Nelder J.A. Generalized Linear Models. 2nd Ed. Chapman & Hall, New-York, 1989.

Forme de l'enseignement

CoursTDTPProjetCrédits
Présentiel30h10h  4ECTS
Travail personnel30h10h 30H