Identification de la formation
Code de formation: 
7956
Domaine - Formacode: 
information scientifique et technique

Enjeux scientifiques

La reproductibilité de la recherche est devenu un sujet de préoccupation majeur dans de nombreuses disciplines et la question des statistiques joue un rôle central : la majorité des chercheurs interrogés par Nature (Baker 2016) considèrent ainsi qu’une meilleure maîtrise des statistiques constitue l’un des facteurs les plus importants pour améliorer la reproductibilité de la recherche.

Les outils numériques offrent de grandes possibilités de personnalisation, mais l’offre est si pléthorique qu’il peut être délicat de déterminer la solution la plus adaptée à ses besoins et la maîtrise de certains paramètres informatiques échappe aux non-experts (Desquilbet et al. 2019). Par ailleurs, les méthodes statistiques évoluent et peuvent s’avérer difficiles à maîtriser pour des non-statisticiens (Wilcox and Rousselet 2018). Enfin, une mauvaise appréhension des concepts courants tels que la p-value peut également engendrer des effets délétères lors de l’interprétation des résultats (Leek et al. 2017).

D’aucuns (Benjamin et al. 2017) proposent d’abaisser le seuil de la p-value pour limiter les impacts négatifs d’une mauvaise utilisation de la méthode fréquentiste. Mais cette approche est qualifiée de “mécanique” par d’autres auteurs dans la mesure où elle ne permet pas de traiter la dimension méthodologique du problème (Lakens et al. 2017).

Pourquoi et dans quels cas recourir aux statistiques bayésiennes ?

“Advantages of the Bayesian approach to inference include strong conceptual appeal, intuitive interpretations, intuitive account of uncertainty, coherence, limitless flexibility, validity for small sample sizes, ability to incorporate prior knowledge, ability to quantify evidence in favor of the null hypothesis, and the ability to monitor evidence as the data come in” (Vanpaemel et al. 2015)

Frankenhuis et ses co-auteurs (Frankenhuis and Nettle 2018) considèrent les statistiques bayésiennes comme une alternative à l’approche fréquentiste et ses possibles dérives. Il devient possible de tester 2 hypothèses concurrentes et d’évaluer laquelle des deux est la plus étayée par les données (Forstmeier, Wagenmakers, and Parker Timothy 2017). Le principe général consiste donc à combiner des informations connues a priori avec des conclusions fournies a posteriori par des données. L’estimateur, au sens bayésien, illustre donc l’impact de la “loi a posteriori” sur la “loi a priori”. Il ne s’agit pas de HARKing (Hypothesizing After Results Are Known) car l’approche bayésienne permet d’explorer les données de manière transparente : la “loi de probabilité” ou “loi a priori” permet d’introduire formellement et d’emblée une notion d’incertitude sur les paramètres à estimer.

Les statistiques bayésiennes sont particulièrement adaptées aux méta-analyses dans la mesure où elles permettent de comparer des études conduit

Contenus pédagogiques
Objectifs: 
- Comprendre les enjeux et les spécificités de la modélisation a priori et de la construction des tests selon le paradigme bayésien - Concevoir des lois a posteriori - Mettre en œuvre les méthodes d’estimation bayésiennes - Concevoir des modèles de régression bayésiens - Comparer les modèles Le stage s’adresse aux personnes maîtrisant les fonctionnalités de base sous R : création et manipulation des objets sous R, importation des données, utilisation simple de R en mode console, création de graphiques simples. Prérequis méthodologique : bonne connaissance du formalisme des probabilités et de l’inférence statistique
Public visé: 
tout public
Résultats attendus de la formation: 
- Comprendre les enjeux et les spécificités de la modélisation a priori et de la construction des tests selon le paradigme bayésien - Concevoir des lois a posteriori - Mettre en œuvre les méthodes d’estimation bayésiennes - Concevoir des modèles de régression bayésiens - Comparer les modèles Le stage s’adresse aux personnes maîtrisant les fonctionnalités de base sous R : création et manipulation des objets sous R, importation des données, utilisation simple de R en mode console, création de graphiques simples. Prérequis méthodologique : bonne connaissance du formalisme des probabilités et de l’inférence statistique
Modalités d'alternance: 
pas d'alternance
Conditions spécifiques: 
Bonne connaissance du formalisme des probabilités et de l’inférence statistique / Maîtrise des fonctionnalités de base de R : création et manipulation des objets sous R, importation des données, utilisation simple de R en mode console, création de graphiques simples.
Déroulement du stage
Modalités d'enseignement: 
Formation entièrement présentielle
Durée (heures): 
14 heures
Période de formation: 
Me, 16/10/2019 - Je, 17/10/2019
Inscription
Période d`inscription: 
Me, 16/10/2019 - Lu, 14/10/2019
Prise en charge des frais de formation possible: 
Oui
Contact de l'action de formation: 

URFIST de Bordeaux (4 avenue Denis Diderot 33607 PESSAC)

Nom: 
URFIST de Bordeaux
Adresse: 
4 avenue Denis Diderot
Code postal: 
33607
Ville: 
PESSAC
Téléphone fixe: 
05 56 84 29 19
Fax: 
05 56 84 86 96
Courriel: 
urfist@u-bordeaux.fr
Web: 
weburfist.univ-bordeaux.fr/
Région: 
Aquitaine
Organisme formateur: 
URFIST de Bordeaux
Organisme de formation: 
URFIST de Bordeaux
Domaine - NSF: 
325
Domaine - Rome: 
32214
Niveau à l'entrée en formation: 
Information non communiquée
Niveau à l'entrée en formation obligatoire: 
Non
Formation certifiante: 
Non
Rythme de la formation: 
Temps plein
Modalités d'entrée sortie: 
Entrées / sorties à dates fixes
Langue utilisée lors de la formation: 
Français