Formation statistiques pour la recherche

Leçon 1 • Notions fondamentales de probabilité pour les chercheurs

Présente les règles de probabilité, la probabilité conditionnelle et l'indépendance comme base mathématique de l'inférence. Relie la théorie des probabilités aux p-valeurs et aux intervalles de confiance introduits ultérieurement.

Leçon 2 • Types de données et échelles de mesure

Classe les données nominales, ordinales, d'intervalle et de rapport et relie le type d'échelle aux analyses autorisées. Une classification correcte évite les opérations statistiques invalides en aval.

Leçon 3 • Statistiques descriptives essentielles

Couvre les mesures de tendance centrale, de dispersion et de forme de distribution pour résumer des ensembles de données. Ces résumés constituent la base de tout travail inférentiel dans les chapitres suivants.

Leçon 4 • Lois de probabilité courantes

Passe en revue les lois normale, binomiale, de Poisson et de Student (t) ainsi que leurs applications en recherche. La compréhension des hypothèses distributionnelles est un prérequis pour un test d'hypothèse valide.

Leçon 1 • Théorie de l'échantillonnage et stratégies

Couvre les méthodes d'échantillonnage probabiliste et non probabiliste ainsi que leur effet sur la généralisabilité. Une stratégie d'échantillonnage appropriée est fondamentale pour une inférence non biaisée au niveau de la population.

Leçon 2 • Biais, confusion et validité interne

Identifie les biais de sélection, d'information et de confusion ainsi que les stratégies statistiques pour y remédier. Le contrôle de ces menaces est essentiel avant d'appliquer des méthodes inférentielles.

Leçon 3 • Techniques de randomisation et d'insu

Détaille la randomisation simple, en blocs, stratifiée et adaptative ainsi que leur rôle dans l'élimination des facteurs de confusion. Les procédures d'insu protègent contre les biais de performance et de détection.

Leçon 4 • Conceptions expérimentales vs. observationnelles

Met en contraste les essais contrôlés randomisés, les quasi-expérimentations, les études de cohorte, cas-témoins et transversales. Le choix de la conception détermine quelles affirmations causales sont statistiquement défendables.

Leçon 1 • Tests paramétriques pour les moyennes

Couvre les tests t à un échantillon, indépendant et apparié, ainsi que l'ANOVA à un facteur avec vérification des hypothèses. Ces tests répondent aux questions les plus courantes de comparaison de moyennes en recherche.

Leçon 2 • Formulation d'hypothèses et logique du test

Établit la construction des hypothèses nulle et alternative ainsi que la logique de la prise de décision statistique. Une formulation correcte empêche les tests inadaptés et les interprétations erronées.

Leçon 3 • Tests du chi-deux et pour données catégorielles

Applique les tests d'ajustement et d'indépendance du chi-deux ainsi que le test exact de Fisher aux résultats catégoriels. Ces méthodes sont essentielles pour les comparaisons de fréquences et de proportions en recherche.

Leçon 4 • Alternatives non paramétriques

Présente les tests basés sur les rangs pour les données violant les hypothèses paramétriques, notamment les tests de Wilcoxon, Kruskal-Wallis et Friedman. La sélection de méthodes non paramétriques préserve la validité lorsque les hypothèses ne sont pas satisfaites.

Leçon 1 • Régression linéaire multiple

Étend la régression à plusieurs prédicteurs, en traitant la multicolinéarité, la sélection de variables et le R-carré ajusté. Le contrôle multivarié est central dans l'analyse de la recherche observationnelle.

Leçon 2 • Principes de la régression linéaire simple

Dérive la droite de régression des moindres carrés, interprète la pente et l'ordonnée à l'origine, et évalue l'ajustement du modèle. Cette section établit le noyau conceptuel pour toutes les extensions de la régression.

Leçon 3 • Régression logistique pour résultats binaires

Modélise les résultats binaires à l'aide de la régression logistique, en interprétant les log-cotes, les rapports de cotes et la discrimination du modèle. La régression logistique est l'outil standard pour les critères d'évaluation dichotomiques en recherche.

Leçon 4 • Aperçu des modèles linéaires généralisés

Présente les régressions de Poisson, binomiale négative et gamma pour les données de comptage et asymétriques. Étend le cadre de régression aux distributions de réponse non normales courantes en recherche.

Leçon 1 • Méthodes d'imputation simple et multiple

Applique l'imputation par la moyenne, la régression et l'imputation multiple par équations chaînées pour traiter les valeurs manquantes. L'imputation multiple préserve l'incertitude et produit des estimations non biaisées sous MAR.

Leçon 2 • Mécanismes et schémas de données manquantes

Distingue les mécanismes MCAR, MAR et MNAR ainsi que leurs conséquences sur la validité de l'analyse. L'identification correcte du mécanisme détermine quelles stratégies de remédiation sont statistiquement justifiées.

Leçon 3 • Nettoyage des données et gestion des valeurs aberrantes

Établit des procédures systématiques pour détecter les erreurs, les incohérences et les valeurs aberrantes avant l'analyse. Des données propres sont une condition préalable à des résultats statistiques reproductibles et défendables.

Leçon 1 • Techniques d'analyse par regroupement

Regroupe les observations à l'aide des regroupements hiérarchiques et par k-moyennes pour révéler les structures naturelles des données. L'analyse par regroupement soutient l'identification de sous-groupes dans la recherche épidémiologique et comportementale.

Leçon 2 • Notions de base sur la modélisation par équations structurelles

Présente les diagrammes de chemin, les modèles de mesure et les modèles structurels pour tester des cadres théoriques complexes. Le SEM intègre l'analyse factorielle et la régression dans une approche confirmatoire unifiée.

Leçon 3 • Analyse en composantes principales et factorielle

Réduit la dimensionnalité à l'aide de l'ACP et identifie les construits latents par l'analyse factorielle exploratoire. Ces méthodes sont fondamentales pour le développement d'échelles et la compression de données en recherche.

Leçon 4 • Analyse multivariée de la variance

Étend l'ANOVA à plusieurs variables dépendantes simultanément, en contrôlant l'erreur par famille. La MANOVA est essentielle lorsque les résultats sont théoriquement liés et ne doivent pas être testés séparément.

Leçon 1 • Risques concurrents et méthodes avancées de survie

Traite les événements concurrents à l'aide de modèles de risque cause-spécifique et de sous-distribution. Les méthodes de survie standard produisent des estimations biaisées en présence de risques concurrents.

Leçon 2 • Régression des risques proportionnels de Cox

Modélise les effets des covariables sur les taux de risque à l'aide du modèle de Cox, y compris la vérification des hypothèses et l'interprétation. Le modèle de Cox est l'outil de régression dominant pour les résultats de survie en recherche.

Leçon 3 • Plans d'expérience à mesures répétées et longitudinalaux

Couvre les plans intra-sujets, les hypothèses de sphéricité et les approches de modèles mixtes pour les données longitudinales. Le traitement correct des observations corrélées est essentiel pour une inférence longitudinale valide.

Leçon 1 • Révision par les pairs et critique statistique

Développe les compétences nécessaires pour évaluer de manière critique les méthodes et les résultats statistiques dans les manuscrits soumis. Les statisticiens qui siègent comme réviseurs protègent l'intégrité des archives scientifiques publiées.

Leçon 2 • Tableaux et figures pour les résultats statistiques

Conçoit des tableaux efficaces pour les statistiques descriptives, les résultats de régression et les résultats de survie. Des visuels bien construits accélèrent la compréhension du lecteur et réduisent le nombre de mots du manuscrit.

Leçon 3 • Normes et directives de rapport

Applique les listes de contrôle CONSORT, STROBE, PRISMA et autres pour garantir une divulgation transparente des méthodes. Le respect des normes de rapport est exigé par la plupart des revues à comité de lecture.

Leçon 4 • Interprétation et communication de l'incertitude

Enseigne l'interprétation verbale et écrite précise des p-valeurs, des intervalles de confiance et des tailles de l'effet. La mauvaise interprétation de l'incertitude est une source majeure d'erreurs dans la recherche publiée.