Régression logistique - Niveau avancé Mixte : présentiel / à distance

• Toute personne souhaitant maitriser et mettre en œuvre des analyses statistiques de type « Régression logistique » simple et multi-facteurs

• Il est indispensable que les participants aient de bonnes connaissances sur les outils statistiques de base : tests d'hypothèses, p-value, risque alpha, régression linéaire

A l'issue de cette formation, l'apprenant sera capable :

• D'identifier le contexte général d'utilisation de la régression logistique
• De connaître les concepts mathématiques inhérents à la régression logistique
• De mettre en œuvre et analyser les résultats (tableaux, graphiques) d'une modélisation de type régression logistique
• De calculer les probabilités ajustées d'apparition d'un évènement « succès » 
• De comparer la régression logistique avec d'autres outils type Afd, Méthode de classement
• D'interpréter les coefficients tels que les odds-ratios, notamment dans un contexte épidémiologique 
• D'identifier et de résoudre les problèmes rencontrés lors de la mise en œuvre d'un modèle de type régression logistique 
• De détecter et traiter les colinéarités éventuelles entre variables explicatives

Contexte d'utilisation du modèle de régression logistique

• Variable explicative et variable expliquée (continue / binaire)
• Différences entre la régression linéaire classique et la régression logistique
• Variables explicatives qualitatives, variables explicatives quantitatives
• Objectifs de la régression logistique
• Définition du modèle Logit (courbe sigmoïde)
• Découpage en classes des variables explicatives quantitatives
• Conditions d'utilisation à respecter

Mise en œuvre et analyse des résultats d'un modèle de régression logistique

• Estimation et interprétation des coefficients du modèle
• Test de significativité du modèle (validation du modèle)
• Tests d'apport d'une variable (test de Wald, tests sur les rapports de vraisemblance)
• Interprétation du Khi² de Wald
• Odds-ratios
• Parallèle odds ratios et risques relatifs
• Analyse du tableau de classement
  
  • Taux de réussite, taux d'échec
  • Vrais positifs, vrais négatifs, faux positifs, faux négatifs
• Probabilités ajustées et utilisation du modèle à des fins de prédiction
• Mise en œuvre et interprétation des résultats (tableaux, graphiques) de la régression logistique
  
  • Sur un tableau de contingence
  • Sur un tableau composé de variables explicatives uniquement qualitatives, uniquement quantitatives, qualitatives et quantitatives
• Modèle de régression logistique multinomial
• Mise en œuvre et analyse des résultats d'un modèle de régression logistique multiple
• Estimation et interprétation des coefficients du modèle multiple

Mesure de la qualité d'un modèle de régression logistique

• Qualité d'ajustement du modèle (coefficients R²)
• Qualité d'estimation des coefficients du modèle, qualité de prédiction
• Intervalles de confiance des coefficients du modèle
• Intervalles de confiance des odds-ratio
• Lien entre la qualité du modèle et :
  
  • Les effectifs des classes
  • La colinéarité des variables explicatives
• Sélection du modèle final
• Matrice de confusions

• Didentifier le contexte général dutilisation de la régression logistique
• De connaître les concepts mathématiques inhérents à la régression logistique
• De mettre en uvre et analyser les résultats (tableaux, graphiques) dune modélisation de type régression logistique
• De calculer les probabilités ajustées dapparition dun évènement « succès »
• De comparer la régression logistique avec dautres outils type Afd, Méthode de classement
• Dinterpréter les coefficients tels que les odds-ratios, notamment dans un contexte épidémiologique
• Didentifier et de résoudre les problèmes rencontrés lors de la mise en uvre dun modèle de type régression logistique
• De détecter et traiter les colinéarités éventuelles entre variables explicatives
• Didentifier le contexte général dutilisation de la régression linéaire
• De connaître les concepts mathématiques inhérents à la régression linéaire
• De mettre en oeuvre et analyser les résultats (tableaux, graphiques) dune modélisation de type régression linéaire
• De connaître les coefficients me permettant destimer la qualité du modèle
• De comprendre la différence entre qualité dajustement et qualité de prédiction (destimation des coefficients) sur un modèle de type Régression
• De détecter et analyser les points aberrants / les points influents
• De détecter les colinéarités éventuelles entre variables explicatives
• De traiter la colinéarité par lintermédiaire dune sélection des variables explicatives

• Explications théoriques suivies de pratiques guidées puis de mises en autonomie.
• Exercices autonomes et réguliers pour assurer l'assimilation

Votre formation a lieu en présentiel :

• 1 vidéoprojecteur par salle
• 1 ordinateur

Votre formation se déroule à distance avec :

• 1 ordinateur
• 1 connexion Internet
• 1 adresse e-mail valide
• 1 équipement audio (micro et enceintes ou casque)
• 1 Webcam (facultatif – dans l'idéal)
• 1 deuxième écran (facultatif – dans l'idéal)

Votre formation se déroule sur notre plate-forme de formation avec :

• 1 ordinateur
• 1 connexion Internet
• 1 adresse e-mail valide
• 1 équipement audio (micro et enceintes ou casque - facultatif)

Support stagiaire :

À l'issue de la formation, les exercices et travaux pratiques réalisés, leurs corrigés ainsi qu'un support de cours dématérialisé sera fourni à chaque stagiaire par e-mail ou via la plate-forme FOAD.