Modèles mixtes - modèles à effets aléatoires pour données longitudinales

Objectifs S'approprier les principaux modèles à effets aléatoires pour données longitudinales en Biostatistique. Savoir manipuler, analyser et interpréter des données dans le cadre de modèles mixtes Compétences visées - Comprendre les limites de l'Anova et de la régression linéaire - Connaître les stratégies de modélisation - Identifier les programmes R ou SAS adaptés à chaque modélisation - Savoir appliquer des modèles marginaux et des modèles linéaires généralisés mixtes - Identifier le modèle mixte adapté à la situation étudiée et au critère de jugement considéré - Identifier la matrice de covariance des effets aléatoires considérés - Interpréter des paramètres du modèle mixte - Savoir prédire des données à partir du modèle

- Introduction aux données groupées et longitudinales - Rappels concernant le modèle linéaire Anova et régression linéaire, conditions d'utilisation Limites de ces modèles - Les modèles linéaires à effets mixtes Exemples introductifs Contexte d'utilisation des différents modèles (modèles à intercept et pentes aléatoires) Estimation des paramètres Interprétation des paramètres du modèle mixte Structure des effets aléatoires et de la matrice de covariance Structure des erreurs de mesure Données longitudinales incomplètes (données manquantes), classification et traitement de ces données manquantes Adéquation du modèle à effets aléatoires (résidus, diagnostic d'influence) Estimation des effets aléatoires Prédictions de Y Données manquantes (sur variables dépendantes ou explicatives) Stratégie de modélisation Modèles pour données groupées Applications - Les modèles marginaux Modèles d'équations d'estimation généralisées Applications - Les modèles linéaires généralisés mixtes Régression logistique, régression de Poisson Applications

Attestation d'acquis ou de compétences;Attestation de suivi de présence

Pour suivre ce stage dans de bonnes conditions, il est recommande d avoir suivi en amont les formations Biostatistique et Methodes de regression multiple en Biostatistique.