• Une connaissance des outils statistiques de base est souhaitée
• Une connaissance des approches prédictives classiques (régression) est un plus mais pas strictement nécessaire.

• D'identifier le contexte général d'utilisation de la régression logistique
• De connaître les concepts mathématiques inhérents à la régression logistique
• De mettre en œuvre et analyser les résultats (tableaux, graphiques) d'une modélisation de type régression logistique
• De calculer les probabilités ajustées d'apparition d'un évènement « succès » 
• De comparer la régression logistique avec d'autres outils type Afd, Méthode de classement
• D'interpréter les coefficients tels que les odds-ratios, notamment dans un contexte épidémiologique 
• D'identifier et de résoudre les problèmes rencontrés lors de la mise en œuvre d'un modèle de type régression logistique 
• De détecter et traiter les colinéarités éventuelles entre variables explicatives

Jour 1 – Matin

Utiliser le modèle de régression logistique

• Variable explicative et variable expliquée (continue / binaire)
• Différences entre la régression linéaire classique et la régression logistique
• Variables explicatives qualitatives, variables explicatives quantitatives
• Objectifs de la régression logistique
• Définition du modèle Logit (courbe sigmoïde)
• Découpage en classes des variables explicatives quantitatives
• Conditions d'utilisation à respecter

Maîtriser les fondements mathématiques

• Le modèle linéaire généralisé
• Le maximum de vraisemblance
• Recherche des coefficients du prédicteur linéaire
• Transformation des coefficients

Jour 1 – Après-midi

Mettre en œuvre et analyser des résultats d'un modèle de régression logistique

• Estimation et interprétation des coefficients du modèle
• Test de significativité du modèle (validation du modèle)
• Tests d'apport d'une variable (test de Wald, tests sur les rapports de vraisemblance)
• Interprétation du Khi² de Wald
• Odds-ratios
• Parallèle odds ratios et risques relatifs
• Analyse du tableau de classement
  • Taux de réussite, taux d'échec
  • Vrais positifs, vrais négatifs, faux positifs, faux négatifs
• Probabilités ajustées et utilisation du modèle à des fins de prédiction
• Mise en œuvre et interprétation des résultats (tableaux, graphiques) de la régression logistique
  • Sur un tableau de contingence
  • Sur un tableau composé de variables explicatives uniquement qualitatives, uniquement quantitatives, qualitatives et quantitatives
• Modèle de régression logistique multinomial
• Mise en œuvre et analyse des résultats d'un modèle de régression logistique multiple
• Estimation et interprétation des coefficients du modèle multiple

Jour 2 – Matin

Mesurer la qualité d'un modèle de régression logistique

• Qualité d'ajustement du modèle (coefficients R²)
• Qualité d'estimation des coefficients du modèle, qualité de prédiction
• Intervalles de confiance des coefficients du modèle
• Intervalles de confiance des odds-ratio
• Lien entre la qualité du modèle et :
  • Les effectifs des classes
  • La colinéarité des variables explicatives
• Sélection du modèle final
• Matrice de confusions

Analyser les variantes de la régression logistique

• La régression logistique multimodale
• La régression logistique ordinale

Jour 2 – Après-midi

Comprendre le sous et surajustement

• Notions de biais d'un modèle
• Notions de variance d'un modèle
• Optimalité variance & biais
• Jugement de la qualité d'un modèle
• Méthode du Data Train / Data test
• Validation croisée
• Classique LOO (leave One Out)
• Validation croisée par k fold

Réaliser des exercices pratiques

• Applications avec R
• Démonstration avec Excel

Cas d'études sur données des apprenants

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

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)

• Questionnaire de vérification de connaissances (Quiz),
• Réalisation de Travaux Pratiques : production ou amélioration d'un fichier,
• Mises en situation et grilles d'analyse,
• Serious Game : jeu de rôles et analyse,
• Activités interactives à travers l'utilisation d'une plate-forme connectée.