Linear models

lstat2120  2020-2021  Louvain-la-Neuve

Linear models
En raison de la crise du COVID-19, les informations ci-dessous sont susceptibles d’être modifiées, notamment celles qui concernent le mode d’enseignement (en présentiel, en distanciel ou sous un format comodal ou hybride).
5 crédits
30.0 h + 7.5 h
Q1
Enseignants
Langue
d'enseignement
Anglais
Préalables
Formation de base en probabilité, statistique et algèbre matricielle.
Thèmes abordés
Introduction au modèle linéaire général, la régression multiple et l'analyse de la variance.
Acquis
d'apprentissage

A la fin de cette unité d’enseignement, l’étudiant est capable de :

1 A. Eu égard au référentiel AA du programme de master en statistique, orientation générale, cette activité contribue au développement et à l'acquisition des AA suivants :
de manière prioritaire : 1.3, 2.1, 2.2, 2.3, 2.4, 2.5, 3.2, 3.3
de manière secondaire : 1.1, 1.2, 1.5, 2.6, 3.1, 3.4, 4.1, 5.5, 6.3, 6.4
Eu égard au référentiel AA du programme de master en statistique, orientation biostatistique, cette activité contribue au développement et à l'acquisition des AA suivants :
de manière prioritaire : 1.3, 2.1, 2.2, 2.3, 2.4, 2.5, 3.2, 3.3, 6.3, 6.4
de manière secondaire : 1.1, 1.2, 1.5, 2.6, 3.1, 4.1, 5.6
B. Formulation spécifique pour cette activité des AA du programme
A l'issue de ce cours, l'étudiant maîtrisera le problème de spécification,  validation et interprétation de modèles linéaires classiques. Il sera capable d'analyser des données réelles et en appliquer les méthodes de modélisation à l'aide d'un logiciel statistique.
 

La contribution de cette UE au développement et à la maîtrise des compétences et acquis du (des) programme(s) est accessible à la fin de cette fiche, dans la partie « Programmes/formations proposant cette unité d’enseignement (UE) ».
Contenu
  • Théorie de l'estimation par moindres carrés
  • Géométrie des moindres carrés
  • Propriétés statistiques
  • Tests de restrictions linéaires
  • Régions  de confiance
  • Intervalles de confiance multiple - Prédiction
  • Multicollinéarité
  • Hétéroskédasticité
  • Autocorrélation
  • Valeurs aberrantes/influentes
  • Procédures de sélection de variables explicatives
  • Modèles ANOVA à un et deux facteurs
  • design balancé et non-balancé
  • modèles fixes et aléatoires.
Méthodes d'enseignement

En raison de la crise du COVID-19, les informations de cette rubrique sont particulièrement susceptibles d’être modifiées.

Le cours comprend des exposés magistraux, des exercices sur ordinateur et un travail personnel sur ordinateur.
Modes d'évaluation
des acquis des étudiants

En raison de la crise du COVID-19, les informations de cette rubrique sont particulièrement susceptibles d’être modifiées.

Un examen oral et un travail sur ordinateur qui consiste en une analyse de données réelles.
Bibliographie
Syllabus du cours.
Références données au cours.
Support de cours
  • matériel sur moodle
Faculté ou entité
en charge
Force majeure
Modes d'évaluation
des acquis des étudiants
La crise sanitaire implique des incertitudes quant aux modalités d’évaluation en particulier pour la session de janvier. Deux options sont envisagées selon la sévérité des contraintes liées à la crise sanitaire.
Un plan A en présentiel :
  • Examen oral
Un plan B en distanciel :
  • Examen oral sur Teams


Programmes / formations proposant cette unité d'enseignement (UE)

Intitulé du programme
Sigle
Crédits
Prérequis
Acquis
d'apprentissage
Master [120] en science des données, orientation technologies de l'information

Approfondissement en statistique et sciences des données

Mineure en statistique, sciences actuarielles et science des données

Certificat d'université : Statistique et sciences des données (15/30 crédits)

Master [120] : ingénieur civil biomédical

Master [120] en science des données, orientation statistique

Master [120] en statistique, orientation générale

Master [120] : ingénieur civil en mathématiques appliquées

Master [120] : bioingénieur en chimie et bioindustries

Master [120] en statistique, orientation biostatistiques

Master [120] : ingénieur civil en science des données

Master [120] en sciences mathématiques