• Toute personne souhaitant comprendre et mettre en œuvre les procédures d'analyses factorielles multivariées en intégrant la régression PLS avec mise en application sous XlStat

• Il est nécessaire que les participants aient de bonnes connaissances sur les outils statistiques de base : corrélation, écart-type, variance, intervalles de confiance, tests d'hypothèses.

A l'issue de cette formation, l'apprenant sera capable avec XlStat :

• Identifier quelle méthode d'analyse multivariée ou de classification utiliser selon le contexte
• Décrire les concepts mathématiques inhérents à ces méthodes
• Mettre en œuvre les analyses suivantes : ACP, CAH, K-MEANS, AFD, PLS
• Maitriser les coefficients et les paramètres permettant d'estimer la qualité des analyses statistiques ci-dessus
• Expliquer la différence entre les notions de contribution et de cosinus carré 
• Identifier les contextes d'utilisation des différentes versions de la régression PLS
• Comprendre les concepts mathématiques inhérents à la régression PLS
• Interpréter les résultats et les graphiques qui découlent des analyses

Prise en main de l'interface d'XlStat

• Généralités et interface utilisateur
  
  • Interface de base
  • Rappel sur quelques outils Excel nécessaires à la manipulation d'XlStat.
  • Activation, chargement et fermeture d'XlStat 
  • Gestion et organisation des données
  • L'interface XlStat
  • Menus et barre d'outils
  • Principes de paramétrage des boîtes de dialogue
  • Gestion des classeurs et des feuilles Excel
  • Paramétrage de base de l'outil
  • Présentations des différentes analyses statistiques disponibles
  • Complémentarités entre Excel et XlStat
• Outils XlStat non statistiques 
  
  • Repérage de données selon critères
  • Différents types de fonctionnalités de préparation des données 
  • Regroupement des données en classes
  • Transformation de données
  • Outils complémentaires aux graphiques (étiquettes, axes, facteur de zoom…)
  • Codage de données

Généralités sur les différentes méthodes d'analyses multidimensionnelles

• Limites des statistiques classiques
• Champs d'application des différentes méthodes d'analyses multidimensionnelles
• Introduction sur le data mining - Les objectifs
  
  • Objectifs de description
  • Objectifs de prédiction
• Structure des jeux de données
• Présentation de l'éventail des méthodes
  
  • Analyse en composantes principales
  • Analyse factorielle des correspondances simples et multiples
  • Analyse factorielle discriminante
  • Méthodes de classification : classification ascendante hiérarchique, k-means
  • Régressions PLS et PLS-DA
• Principes généraux des différentes méthodes - Notions de : 
  
  • Distance, 
  • Inertie et variance 
  • Axes factoriels
  • Variables latentes

Notions de corrélation

• Définition du coefficient de corrélation
• Interprétation de la valeur du coefficient de corrélation
• Les confusions : corrélation, causalité, pente…
• Les différents coefficients de corrélation
  
  • Coefficient de Pearson
  • Coefficient de Spearman

Mise en œuvre d'une Analyse en Composante principales (ACP)

• Structure du jeu de données et contexte d'application
• Objectifs détaillés de l'ACP
• Choix des axes de représentation (choix du nombre de composantes principales)
• Interprétation des sorties graphiques : cercle factoriel et graphique des individus
• Interprétation des axes factoriels
• Contribution des individus et des variables aux axes
• Qualité de représentation des individus et des variables sur les axes : les cosinus carrés
• Les différentes ACP :
  
  • ACP normée et non normée
  • ACP non paramétrique
• Positionnement d'une variable illustrative catégorielle
• Les confusions et erreurs à ne pas commettre
• Présentation rapide des Analyses des correspondances simple et multiple si souhaité
• Différences entre ACP et AFC

Mise en œuvre d'une classification par une classification ascendante hiérarchique (CAH)

• Présentation des objectifs de la classification ascendante hiérarchique
• Structure du jeu de données
• Choix de la distance
• Choix du linkage (saut, critère de « rapprochement » entre les classes) : méthode de Ward…
• Lecture d'un dendrogramme
• Choix du nombre de classes
• Classification sur les individus
• Classification sur les variables
• Interprétation des sorties logiciel

Mise en œuvre d'une classification par une k-means

• Présentation des objectifs de la méthode des k-means
• Avantages et inconvénients de la CAH et des k-means
• Détermination des clusters
• Présentation des différentes versions de l'algorithme
• Utilisation de la k-means en complément de l'ACP
• Classification sur grand jeu de données
• Conseils de mise en œuvre 
• Interprétation des sorties logiciel

Mise en œuvre d'une analyse factorielle fiscriminante (AFD)

• Structure du jeu de données et contexte d'application
• Objectifs détaillés de l'AFD
• Notions de classement et de discrimination
• Méthodologie de l'AFD
• Comparaison avec l'ACP
• Interprétation des sorties logiciel : cercle factoriels, corrélations variables x axes
• Qualité de l'AFD (de la discrimination obtenue)
  
  • Tests univariés et multivariés (lambda de Wilks)
  • Graphique des individus
  • Matrice de confusion (et éventuellement courbe ROC)
• Les confusions et erreurs à ne pas commettre

Mise en œuvre d'une analyse discriminante PLS (PLS-DA)

• Problématique :
  
  • Des multi colinéarités
  • Des petits échantillons
• Présentation de la PCR (Principal Component Regression)
• Méthodologie générale de PLS
• Présentation des différentes versions de la régression PLS
• Structure du jeu de données et contexte d'application de la PLS-DA
• Objectifs détaillés de la PLS-DA
• Choix du nombre de composante de la PLS : critère du Q carré
• Interprétation des sorties logiciel : cercle factoriels, corrélations variables x axes
• Importance des variables pour la discrimination des groupes : les VIP
• Qualité de la PLS-DA
  
  • Indicateurs Q carrés et R carrés
  • Matrice de confusion
• Les confusions et erreurs à ne pas commettre

Mise en œuvre d'une régression PLS

• Contexte et objectifs
• Présentation des différentes méthodes de régression sur des données colinéaires : PCR, régression de Ridge et PLS
• Principes et concepts mathématiques inhérents à la PCR et la régression PLS
• Présentation des différentes versions de la régression PLS
• Mise en œuvre et interprétation des résultats : graphiques, coefficients du modèle…
• Choix du nombre de composantes (validation croisée)
• Composantes et coefficients de régression
• Qualité d'ajustement, qualité de prédiction
• Coefficients Q² et R²
• Importance des variables explicatives pour la prédiction
  
  • Coefficients normalisés
  • VIP
• Sélection de variables

• Identifier quelle méthode danalyse multivariée ou de classification utiliser selon le contexte
• Décrire les concepts mathématiques inhérents à ces méthodes
• Maitriser les coefficients et les paramètres permettant destimer la qualité des analyses statistiques ci-dessus
• Expliquer la différence entre les notions de contribution et de cosinus carré
• Mettre en uvre les analyses suivantes : ACP, CAH, K-MEANS, AFD, PLS
• Identifier les contextes dutilisation des différentes versions de la régression PLS
• Comprendre les concepts mathématiques inhérents à la régression PLS
• Interpréter les résultats et les graphiques qui découlent des analyses

• Explications théoriques suivies de pratiques guidées puis de mises en autonomie.
• Exercices autonomes et réguliers pour assurer l'assimilation

Votre formation a lieu en présentiel :

• 1 vidéoprojecteur par salle
• 1 ordinateur

Votre formation se déroule à distance avec :

• 1 ordinateur
• 1 connexion Internet
• 1 adresse e-mail valide
• 1 équipement audio (micro et enceintes ou casque)
• 1 Webcam (facultatif – dans l'idéal)
• 1 deuxième écran (facultatif – dans l'idéal)

Votre formation se déroule sur notre plate-forme de formation avec :

• 1 ordinateur
• 1 connexion Internet
• 1 adresse e-mail valide
• 1 équipement audio (micro et enceintes ou casque - facultatif)

Support stagiaire :

À l'issue de la formation, les exercices et travaux pratiques réalisés, leurs corrigés ainsi qu'un support de cours dématérialisé sera fourni à chaque stagiaire par e-mail ou via la plate-forme FOAD.