Méthodes

Régression linéaire multiple

Dans un modèle linéaire, on cherche à expliquer une variable réponse (variable dépendante, variable endogène etc.) y à l'aide de variables explicatives (variables indépendantes, variables exogènes etc.) x1, x2, … observées : y = f(x1; x2; …; xp) + erreur. Afin de garder le modèle simple, on fait l'hypothèse que la fonction qui relie cette variable réponse aux variables explicatives est linéaire dans ses paramètres : y =  β0 +  β1x1 +  β2x2 + ... + βpxp + ε

Analyse des données de panel avec Stata
Analyser la médiation, la modération et la médiation modérée avec SPSS
Applied statistics with JMP
Applied statistics with SPSS
Basic concepts and practical applications of Bayesian statistics with R and JASP
Certificat universitaire en Analyse de données appliquée en R&D - Niveau avancé
Certificat universitaire en Analyse de données appliquée en R&D - Niveau de base
Certificat universitaire en Junior Data Analyst
Concepts de base et pratique de la statistique bayésienne avec R et JASP
Data management and analysis using Stata
Exploration, modélisation, classification et prédiction en R
Formation en analyse de données et statistiques pour la recherche et le développement dans la bioindustrie
Gestion et analyse de données avec Stata
Inférence et modélisation statistique avec JMP
Initiation aux modèles d'équations structurelles (SEM) avec Stata
Introduction à Jamovi, manipulation et analyse de données
Introduction à l'analyse de données avec R
Introduction à la visualisation et à l'analyse de données en Python
Introduction aux plans d'expérience avec JMP
Introduction to data analysis with R
Introduction to experimental design with JMP
Modèles linéaires avec SAS
Outils de modélisation avec applications en R, JMP et SAS
Panel data analysis using Stata
Pratique de la statistique avec Minitab
Pratique de la statistique avec R
Pratique de la statistique avec SAS Enterprise Guide
Pratique de la statistique avec SPSS
RNAseq data analysis
Statistique appliquée avec JMP