Acquis d'apprentissage

  • Comprendre le but d’une étude (ex : équivalence, différence), l’importance de sa planification, des actions permettant d’éviter les biais et du calcul de la bonne taille des échantillons.


  •  Identifier la nature du plan d’expériences (ex : parallel group, crossover, factorial, block design) et celle de la réponse à étudier (quantitative, qualitative, données indépendantes ou appariées). Identifier la présence éventuelle de covariables.


  •  Déduire le type d’analyse statistique à effectuer. Analyser les résultats à l’aide du logiciel R, après avoir jauger le niveau d’expertise nécessaire, en fonction de la complexité du plan d’expériences et/ou du modèle statistique à utiliser. Pouvoir synthétiser les résultats de façon claire.


  •  Pouvoir dialoguer avec un statisticien et prévoir les informations qui lui sont nécessaires, notamment lors de la planification d’une étude et de l’analyse de résultats.

Objectifs

La formation vise à aborder les méthodes statistiques fréquemment rencontrées dans le cadre des essais cliniques et pré-cliniques. Elle se veut avant tout pratique et axée sur l’échange. Au terme de la formation, les étudiants doivent pouvoir effectuer des analyses usuelles et porter un œil critique quant à la planification des expériences et à l’analyse des données.

Contenu

La formation s’articule autour de quatre modules :


M1 – Introduction. Pose les principes fondamentaux et le vocabulaire associé aux statistiques appliquées. Permet de comprendre le rôle du statisticien. Détaille les étapes de la planification d’expériences puis celles de l’analyse des données. Présente la loi de Gauss, les paramètres de position et de dispersion, le théorème central limite, les intervalles statistiques, les graphiques utiles à la description des données univariées.

 

M2 – Comparaison des moyennes. Associe méthodes statistiques et dispositifs expérimentaux. Présente le test-t puis l’analyse de la variance dans le cas de groupes indépendants (dispositif complétement aléatoire) ou appariés (dispositif en blocs aléatoires complets). Présente les tests de comparaison multiples. Distingue les tests de différence des tests d’équivalence en ce qui concerne les objectifs de l’étude et les règles de décision.

 

M3 – Analyse par régression. Présente la régression linéaire simple et les indicateurs permettant de juger de sa validité. Etend les notions d’intervalles de confiance et de prédiction (vues lors des modules précédents) à l’analyse des données bivariées. Fournit des exemples d'autres modèles tels que les modèles polynomiaux, sigmoïdes fréquemment utilisés au laboratoire.

 

M4 – Comparaison de proportions. Introduit la loi binomiale et les tables de contingence. Présente la comparaison de deux proportions moyennes, le calcul des intervalles de confiance. Présente des indicateurs statistiques fréquemment utilisés (ex : risque relatif, rapport de chance, sensibilité, spécificité).

Table des matières

 

 

Exercices

La formation comporte de nombreux exercices qui sont traités à l’aide du logiciel R. Elèves et enseignant répondent aux questions posées lors des séances de formation.  

 

Méthodes d'enseignement

L’enseignant indique aux étudiants à quel moment de la formation les différentes sections des modules doivent être lues. Lors des heures de cours, l’enseignant présente les notions les plus importantes et les illustrent à l’aide de cas concrets et d’exercices. Elèves et enseignant répondent aux questions posées et effectuent les analyses statistiques nécessaires à l’aide du logiciel R. L'intelligence artificielle est utilisée afin de proposer des bases de codes R.

Méthode d'évaluation

L’évaluation prévoit un examen écrit de deux heures. Il comporte entre quatre et six questions ou exercices indépendants. Il n'y a pas de code R à écrire. Toutefois, il faut pouvoir en interpréter les résultats d'analyse éventuels. Les notes de cours ne sont pas autorisées.


Les modalités exactes de l’évaluation sont susceptibles d’être modifiées lors de l’élaboration des horaires d’examens, en fonction des contraintes pratiques auxquelles l’administration facultaire peut être confrontée, ou en cas de maladie/cas de force majeure/empiètement avec un stage, ou encore à cause de la situation sanitaire liée au coronavirus.

Sources, références et supports éventuels

Le cours et les codes R associés aux exercices sont disponibles sur WebCampus.

R Development Core Team (2005). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. ISBN 3-900051-07-0, URL: http://www.R-project.org

Livres cités aux étudiants :

Dagnelie P. [2013]. Statistique théorique et appliquée. Tome 1. Statistique descriptive et bases de l'inférence statistique. Bruxelles, De Boeck, 517 p.    ISBN  978-2-8041-7560-3

Dagnelie P. [2011]. Statistique théorique et appliquée. Tome 2. Inférence statistique à une et à deux dimensions. Bruxelles, De Boeck, 736 p.    ISBN  978-2-8041-6336-5

 

Langue d'enseignement

Anglais