XLSTAT Analyses multivariées, classification et PLS (ACP, CAH, K-MEANS, AFD, PLS) Mixte : présentiel / à distance

• Toute personne souhaitant comprendre et mettre en œuvre les procédures d'analyses factorielles multivariées en intégrant la régression PLS avec mise en application sous XlStat

• Il est nécessaire que les participants aient de bonnes connaissances sur les outils statistiques de base : corrélation, écart-type, variance, intervalles de confiance, tests d'hypothèses.

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

• Identifier quelle méthode d'analyse multivariée ou de classification utiliser selon le contexte
• Décrire les concepts mathématiques inhérents à ces méthodes
• Mettre en œuvre les analyses suivantes : ACP, CAH, K-MEANS, AFD, PLS
• Maitriser les coefficients et les paramètres permettant d'estimer la qualité des analyses statistiques ci-dessus
• Expliquer la différence entre les notions de contribution et de cosinus carré 
• Identifier les contextes d'utilisation des différentes versions de la régression PLS
• Comprendre les concepts mathématiques inhérents à la régression PLS
• Interpréter les résultats et les graphiques qui découlent des analyses

Prise en main de l'interface d'XlStat

• Généralités et interface utilisateur
  
  • Interface de base
  • Rappel sur quelques outils Excel nécessaires à la manipulation d'XlStat.
  • Activation, chargement et fermeture d'XlStat 
  • Gestion et organisation des données
  • L'interface XlStat
  • Menus et barre d'outils
  • Principes de paramétrage des boîtes de dialogue
  • Gestion des classeurs et des feuilles Excel
  • Paramétrage de base de l'outil
  • Présentations des différentes analyses statistiques disponibles
  • Complémentarités entre Excel et XlStat
• Outils XlStat non statistiques 
  
  • Repérage de données selon critères
  • Différents types de fonctionnalités de préparation des données 
  • Regroupement des données en classes
  • Transformation de données
  • Outils complémentaires aux graphiques (étiquettes, axes, facteur de zoom…)
  • Codage de données

 

Généralités sur les différentes méthodes d'analyses multidimensionnelles

• Limites des statistiques classiques
• Champs d'application des différentes méthodes d'analyses multidimensionnelles
• Introduction sur le data mining - Les objectifs
  
  • Objectifs de description
  • Objectifs de prédiction
• Structure des jeux de données
• Présentation de l'éventail des méthodes
  
  • Analyse en composantes principales
  • Analyse factorielle des correspondances simples et multiples
  • Analyse factorielle discriminante
  • Méthodes de classification : classification ascendante hiérarchique, k-means
  • Régressions PLS et PLS-DA
• Principes généraux des différentes méthodes - Notions de : 
  
  • Distance, 
  • Inertie et variance 
  • Axes factoriels
  • Variables latentes

Notions de corrélation

• Définition du coefficient de corrélation
• Interprétation de la valeur du coefficient de corrélation
• Les confusions : corrélation, causalité, pente…
• Les différents coefficients de corrélation
  
  • Coefficient de Pearson
  • Coefficient de Spearman

Mise en œuvre d'une Analyse en Composante principales (ACP)

• Structure du jeu de données et contexte d'application
• Objectifs détaillés de l'ACP
• Choix des axes de représentation (choix du nombre de composantes principales)
• Interprétation des sorties graphiques : cercle factoriel et graphique des individus
• Interprétation des axes factoriels
• Contribution des individus et des variables aux axes
• Qualité de représentation des individus et des variables sur les axes : les cosinus carrés
• Les différentes ACP :
  
  • ACP normée et non normée
  • ACP non paramétrique
• Positionnement d'une variable illustrative catégorielle
• Les confusions et erreurs à ne pas commettre
• Présentation rapide des Analyses des correspondances simple et multiple si souhaité
• Différences entre ACP et AFC

Mise en œuvre d'une classification par une classification ascendante hiérarchique (CAH)

• Présentation des objectifs de la classification ascendante hiérarchique
• Structure du jeu de données
• Choix de la distance
• Choix du linkage (saut, critère de « rapprochement » entre les classes) : méthode de Ward…
• Lecture d'un dendrogramme
• Choix du nombre de classes
• Classification sur les individus
• Classification sur les variables
• Interprétation des sorties logiciel

Mise en œuvre d'une classification par une k-means

• Présentation des objectifs de la méthode des k-means
• Avantages et inconvénients de la CAH et des k-means
• Détermination des clusters
• Présentation des différentes versions de l'algorithme
• Utilisation de la k-means en complément de l'ACP
• Classification sur grand jeu de données
• Conseils de mise en œuvre 
• Interprétation des sorties logiciel

Mise en œuvre d'une analyse factorielle fiscriminante (AFD)

• Structure du jeu de données et contexte d'application
• Objectifs détaillés de l'AFD
• Notions de classement et de discrimination
• Méthodologie de l'AFD
• Comparaison avec l'ACP
• Interprétation des sorties logiciel : cercle factoriels, corrélations variables x axes
• Qualité de l'AFD (de la discrimination obtenue)
  
  • Tests univariés et multivariés (lambda de Wilks)
  • Graphique des individus
  • Matrice de confusion (et éventuellement courbe ROC)
• Les confusions et erreurs à ne pas commettre

Mise en œuvre d'une analyse discriminante PLS (PLS-DA)

• Problématique :
  
  • Des multi colinéarités
  • Des petits échantillons
• Présentation de la PCR (Principal Component Regression)
• Méthodologie générale de PLS
• Présentation des différentes versions de la régression PLS
• Structure du jeu de données et contexte d'application de la PLS-DA
• Objectifs détaillés de la PLS-DA
• Choix du nombre de composante de la PLS : critère du Q carré
• Interprétation des sorties logiciel : cercle factoriels, corrélations variables x axes
• Importance des variables pour la discrimination des groupes : les VIP
• Qualité de la PLS-DA
  
  • Indicateurs Q carrés et R carrés
  • Matrice de confusion
• Les confusions et erreurs à ne pas commettre

Mise en œuvre d'une régression PLS

• Contexte et objectifs
• Présentation des différentes méthodes de régression sur des données colinéaires : PCR, régression de Ridge et PLS
• Principes et concepts mathématiques inhérents à la PCR et la régression PLS
• Présentation des différentes versions de la régression PLS
• Mise en œuvre et interprétation des résultats : graphiques, coefficients du modèle…
• Choix du nombre de composantes (validation croisée)
• Composantes et coefficients de régression
• Qualité d'ajustement, qualité de prédiction
• Coefficients Q² et R²
• Importance des variables explicatives pour la prédiction
  
  • Coefficients normalisés
  • VIP
• Sélection de variables

• Identifier quelle méthode danalyse multivariée ou de classification utiliser selon le contexte
• Décrire les concepts mathématiques inhérents à ces méthodes
• Maitriser les coefficients et les paramètres permettant destimer la qualité des analyses statistiques ci-dessus
• Expliquer la différence entre les notions de contribution et de cosinus carré
• Mettre en uvre les analyses suivantes : ACP, CAH, K-MEANS, AFD, PLS
• Identifier les contextes dutilisation des différentes versions de la régression PLS
• Comprendre les concepts mathématiques inhérents à la régression PLS
• Interpréter les résultats et les graphiques qui découlent des analyses

• 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.

L'acquisition des compétences de la formation se fait à travers le suivi du formateur tout au long de la formation (séquences synchrones et asynchrones). Elle s'appuie également sur la réalisation d'exercices et de TP. Enfin, des quiz s'ajoutent aux différents outils de validation de l'acquisition des compétences visées. Une évaluation est systématiquement réalisée par chaque stagiaire, à l'issue de la formation.

Nos formateurs sont certifiés à l'issue d'un parcours organisé par nos soins. Ils bénéficient d'un suivi de maintien et d'évolution de leurs compétences aussi bien au niveau technique que pédagogique.
Chacun de nos formateurs a bénéficié d'une formation spécifique à l'animation de classe virtuelle et à l'utilisation des solutions de formation à distance du Groupe ARKESYS.

Cette formation est accessible à toute personne en situation de handicap. Notre référent handicap prendra contact avec les stagiaires concernés pour adapter l'animation à leurs besoins et rendre l'apprentissage accessible à tous. Enfin, nos centres de formation sont accessibles aux personnes à mobilité réduite.