Plan de cours

Enseignant 1

Enseignant 2

Détails du cours

Description

L’objectif de ce cours est de couvrir les bases de l’inférence statistique ainsi que les outils de modélisation dans un contexte de régression. Les principes théoriques y sont abordés rigoureusement.

Ce cours aborde notamment les modèles linéaires, les modèles linéaires généralisés et la régression pour données longitudinales avec effets aléatoires et structures de corrélation. Pour chacune de ces méthodes, les principes théoriques de l’inférence, tels que les tests d’hypothèses, statistiques de tests et méthodes d’estimation sont abordés avec rigueur. Une attention particulière est portée aux applications en gestion.

Contenu du cours

  • Principes fondamentaux de modélisation et d’inférence statistique
  • Modèles linéaires
  • Modèles linéaires généralisés
  • Modèles pour données longitudinales et corrélées
  • Modèles linéaires mixtes
  • Introduction à l’analyse de survie

Objectifs d’apprentissage

Les objectifs d’apprentissage du cours sont listés ici.

Prérequis

Ce cours couvre beaucoup de matériel (c’est davantage un survol qu’un traitement en profondeur de la matière). Cela dit, les étudiant(e)s inscrit(e)s devraient avoir une formation de base préalable en statistique au niveau du livre Introductory Statistics with Randomization and Simulation (Chapitres 1–4, en excluant les sujets spéciaux). Une certaine familiarité avec le calcul différentiel et intégral et l’algèbre linéaire est nécessaire.

Public cible

Le cours « Modélisation statistique » est un cours obligatoire dans le programme de M.Sc. en sciences des données et analytique d’affaires (cheminement projet supervisé) et un cours optionnel pour le cheminement mémoire. Notez que ce cours n’est pas crédité dans la spécialisation Intelligence d’affaires: le cours est incompatible avec MATH606019(A).

Matériel de cours

Logiciels et programmation

Nous utiliserons le langage de programmation R. Les notes de cours et les exercices contiennent des scripts pour vous aider. La courbe d’apprentissage est abrupte, mais nous consacrerons la deuxième séance de cours à couvrir les bases du langage, la manipulation de bases de données et la visualisation. Vous trouverez des instructions pour installer, R, Rstudio et d’autres utilitaires ici.

Chercher sur un moteur de recherche des sujets liés à R est parfois fastidieux; essayez rstats comme mot-clé si r ne retourne rien. Le forum de question StackOverflow, un site de questions et réponses pour la programmation, ainsi que la communauté RStudio, un forum dédié à RStudio et au tidyverse, sont d’autres ressources utiles.

Suivez les instructions pour installer R.

Évaluations

Votre note finale sera basée sur les évaluations suivantes

  • Projet en trois parties valant 30% au total (travail d’équipe), avec remises intermédiaires les vendredi
    • 11 octobre
    • 8 novembre
    • 6 décembre
  • Examen intra (30%) le mardi 29 octobre de 12h à 15h
  • Examen final (40%) le jeudi 12 décembre de 13h30 à 16h30

L’intra et le final sont des examens à livre fermés (pas d’ordinateur ou de programmation). Vous avez droit à une feuille d’aide mémoire format lettre (recto pour intra, recto-verso pour final)

La note obtenue lors des travaux d’équipe contribuera à la note globale seulement si la note combinée des évaluations individuelles est supérieure à 50%. Autrement, la note finale de l’étudiant(e) est calculée au pro rata des évaluations individuelles.

Evaluation Note
Projet (3 x 10 pts) 30
Examen intra (30 pts) 30
Examen final (40 pts) 40
Total 100

Contenu du cours

Voici un descriptif du contenu des séances, sujet à changement

  1. Introduction
    • Syllabus
    • Exemples de modélisation
    • Révision
    • Inférence statistique (notions de base, tests d’hypothèse)
  2. Modèles linéaires
    • Paramétrisations
    • Interprétation des paramètres
    • Coefficient de détermination
  3. Inférence basée sur la vraisemblance
    • Vraisemblance
    • Maximum de vraisemblance
    • Tests d’hypothèses
  4. Modèles linéaires
    • Prédictions
    • Interactions
    • Collinéarité
  5. Diagnostics pour les postulats de modèles linéaires
    • Postulats du modèle linéaire
    • Diagnostics graphiques
    • Extensions et remèdes
  6. Modèles linéaires généralisés
    • Structure des modèles linéaires généralisés
    • Régression de Poisson
    • Tableaux de contingence
    • Surdispersion

Présence au cours

Selon le règlement de l’École, la présence de l’étudiant aux activités du cours est présumée. Ainsi, l’enseignant n’est pas tenu de fournir de l’aide ou d’adapter le cours ou son évaluation en raison d’une absence.

Ressources étudiantes

Les services aux étudiant(e)s (SAE) offrent du soutien aux études, du soutien psychologique et de l’aide pour les personnes en situation de handicap. Consultez leur site web pour la liste des services offerts.

Intégrité intellectuelle

Le Règlement sur l’intégrité intellectuelle des étudiants dicte les comportements proscrits par l’école, notamment la triche, l’utilisation de l’intelligence artificielle, le plagiat et la falsification de résultat. Tout comportement répréhensible sera rapporté aux instances concernées.

Projet: Les étudiant(e)s peuvent utiliser des outils d’intelligence artificielle générative (IAG) pour améliorer et éditer un livrable (texte ou code) dans une perspective de révision, mais le premier jet des analyses statistiques, du code et du rapport écrit doit être un travail original produit par les étudiant(e)s. Notre vision reflète celle d’ Andrew Heiss

Toute utilisation d’IAG doit être citée adéquatement. Les étudiant(e)s doivent fournir en sus de son travail final

  1. les détails sur l’outil employé (nom et version)
  2. la liste des requêtes
  3. une copie du code ou texte brouillon soumis
  4. une description des modifications apportées aux sorties, le cas échéant
  5. une brève réflexion sur leur utilisation de l’IAG

Violences à caractère sexuel

Le Bureau d’intervention en matière de harcèlement (BIMH) est le guichet unique au service de tous les membres de la communauté de l’École affectés par le harcèlement ou la violence à caractère sexuel. Vous pouvez les rejoindre au 514 343-7020 ou à l’adresse courriel harcelement@hec.ca du lundi au vendredi entre 8h30 et 16h30.

Si vous êtes en situation d’urgence ou craignez pour votre sécurité, pour votre intégrité physique ou pour votre vie:

  • Appelez immédiatement les services d’urgence au 911
  • Appelez ensuite la Sécurité de HEC Montréal au 514 340-6611

Politique de conciliation études-famille

HEC a une politique officielle pour les parents aux études, mais les principes suivants énumèrent mes engagements1

  1. Les poupons sont bienvenues en classe pour les mères allaitantes
  2. Vous pouvez apporter votre enfant en classe en cas de problèmes de dernière minute de garderie.
  3. Si vous venez accompagnés de votre enfant ou de votre bébé, merci de prendre un siège près de la porte pour pouvoir sortir si votre enfant dérange vos collègues ou requiert votre attention spéciale. Les sièges près des portes sont réservés aux parents accompagnés de leurs enfants.

Notes de bas de page

  1. Adapté de politiques similaires par Melissa Cheney, Guy Grossman et Rohan Alexander↩︎