APPLIED MULTIVARIATE ANALYSIS USING R
[AMA-R]
[AMA-R]
Présentation et objectifs principaux
Destiné aux étudiant-e-s de première année des Masters MECI (PISE et CCESE option Data) et APE, cet enseignement offre un large panorama sur l'analyse multivariée appliquée (AMA). Utilisant Rstudio, certains packages spécifiques et l'environnement Markdown, ce cours propose aux étudiant-e-s de devenir autonomes dans l'utilisation des techniques usuelles d'exploration, de prédiction et d'identification des relations causales en sciences sociales (socio-économie en particulier) en leur permettant de développer différentes compétences :
Prérequis : avoir suivi le cours d'ASA-R au premier semestre est un prérequis pour ce cours.
- Connaître les outils d'analyse multivariée afin d'apporter des réponses quantitatives à différents types de questions du même ordre
- Maîtriser les packages essentiels pour conduire une analyse multivariée à partir d'un jeu de données
- Interpréter et mettre en valeur des résultats d'analyse multivariée à l'aide de visualisations adaptées et de tableaux pertinents
- Travailler en équipe lors d'un challenge sur Markdown à partir de jeux de données spécifiques
Prérequis : avoir suivi le cours d'ASA-R au premier semestre est un prérequis pour ce cours.
Organisation et déroulement
Trois parties structurent ce cours abordant les trois approches essentielles de l'analyse multivariée appliquée :
Accompagnement durant le semestre :
- Data mining : exploration de données par la réduction des dimensions et les algorithmes non-supervisés de regroupement
- Predictive modelling : prédiction de catégories par l'utilisation de modèles et d'algorithmes supervisés de classification
- Causal modelling : identification de la causalité à partir de données non-expérimentales par les méthodes d'évaluation d'impact
Accompagnement durant le semestre :
- A partir d'applications pédagogiques, les étudiant-e-s seront accompagné-e-s dans leur pratique de Rstudio tout au long du semestre par la mise à disposition de jeux de données.
- Une communauté (AMA-R sur le forum DATALAB) dédiée aux questions de méthodes, de "syntaxe" (script), de "tronçons" (chunk) ou de "tricotage" (knitr/compilation).
- L'apprentissage sera guidé par la réalisation de deux fiches d'exercices.
- Les étudiant-e-s peuvent enfin prendre rendez-vous durant les heures de permanence (mardi 9h-10h30).
Modalités d'évaluation
Les étudiant-e-s sont évalué-e-s individuellement et collectivement en 100% CC :
- Assiduité et implication : 10%
- Présence durant le semestre
- Implication
- Présentation initiale (draft) : 25%
- Rendu mémoire (draft) : 40%
- Présentation publique finale : 25%
|
Syllabus
Toutes les informations utiles pour vous accompagner durant le semestre :
[LINK] |
| ||
Supports de cours et ressources
|
Introduction
Applied Multivariate Analysis!
[Introduction] [Denis (2015, pp. 33-46) ; Zelterman (2015, pp. 1-13)] [Ressources complémentaires] |
|
PARTIE I - DATA MINING
|
Séance 2
Analyse en Composantes Principales (ACP)
[Séance 2] [La pratique avec R (STHDA)] [Package `explor`] [Husson et al. (2017, pp. 1-44)] [Denis (2020, chap. 10)] [Ressources complémentaires] |
|
|
Séance 3
Partitionnement et K-means (KM)
[Séance 3] [La pratique avec R (DATANOVIA)] [Husson et al. (2017, pp. 169-204)] [Denis (2020, chap. 12)] [Ressources complémentaires] |
|
|
Séance 4
Classification Ascendante Hiérarchique (CAH)
[Séance 4] [La pratique avec R (DATANOVIA)] [La pratique avec R (STHDA)] [Husson et al. (2017, pp. 169-204)] [Denis (2020, chap. 12)] [Ressources complémentaires] |
|
PARTIE II - PREDICTIVE MODELLING
|
Séance 5
Modèles logistiques
[Séance 5] [La pratique avec R DS4PS - Prog Eval III] [Stock et Watson (2015, pp. 431-470)] [Denis (2020, chap. 8)] [Ressources complémentaires] |
|
PARTIE III - Causal modelling
|
Séance 6
Causality, Quasi-Experiment & Propensity Score Matching (PSM)
[Séance 6] [La pratique avec R MatchIt with example] [Li (2013)] [Ressources complémentaires] |
|
Forum pour répondre à toutes vos questions
Vous pouvez me poser toutes vos questions sur le forum "DATALAB" en vous connectant et en allant sur les topics qui concernent le cours d'AMA-R [LINK]
Vous pouvez me poser toutes vos questions sur le forum "DATALAB" en vous connectant et en allant sur les topics qui concernent le cours d'AMA-R [LINK]
Ressources importantes pour retravailler à la maison
STHDA Statistical tools for high-throughput data analysis [LINK]
DATANOVIA [LINK]
UC Business Analytics R Programming Guide [LINK]
STHDA Statistical tools for high-throughput data analysis [LINK]
DATANOVIA [LINK]
UC Business Analytics R Programming Guide [LINK]
Références
En gras les plus importantes pour ce cours (les livres disponibles à la BU des Grands Moulins sont indiqués avec leur côte)
Denis, D. J. (2015). Applied Univariate, Bivariate, and Multivariate Statistics. Wiley-Blackwell, Hoboken.
Denis, D. J. (2020). Univariate, Bivariate, and Multivariate Statistics Using R. Wiley-Blackwell, Hoboken. [côte : 519.22 DEN]
Everitt, B. and Hothorn, T. (2011). An Introduction to Applied Multivariate Analysis with R. Springer, New York.
Giordani, P., Ferraro, M. B. and Martella, F. (2020). An Introduction to Clustering with R. Springer, Singapore.
Grolemund, G. and Wickham, H. (2015). R for Data Science. O'Reilly, Sebastopol.
Husson, F., Le, S., and Pagès, J. (2017). Exploratory Multivariate Analysis by Example Using R. CRC Press, Boca Raton. [côte : 519.22 HUS]
Irizarry, R. A. (2019). Introduction to Data Science: Data Analysis and Prediction Algorithms With R. CRC Press, Boca Raton.
Li, M. (2013). Using the Propensity Score Method to Estimate Causal Effects : A Review and Practical Guide. Organizational Research Methods, 16(2) :188-226.
MacKinnon, D. P., Fairchild, A. J., and Fritz, M. S. (2007). Mediation Analysis. Annual Review of Psychology, 58(1) :593.
Stock, J. H. and Watson, M. (2014). Principes d'économétrie. Pearson, Paris. [côte : 330.4 STO]
Zelterman, D. (2015). Applied Multivariate Statistics with R. Springer International Publishing, Geneva.
En gras les plus importantes pour ce cours (les livres disponibles à la BU des Grands Moulins sont indiqués avec leur côte)
Denis, D. J. (2015). Applied Univariate, Bivariate, and Multivariate Statistics. Wiley-Blackwell, Hoboken.
Denis, D. J. (2020). Univariate, Bivariate, and Multivariate Statistics Using R. Wiley-Blackwell, Hoboken. [côte : 519.22 DEN]
Everitt, B. and Hothorn, T. (2011). An Introduction to Applied Multivariate Analysis with R. Springer, New York.
Giordani, P., Ferraro, M. B. and Martella, F. (2020). An Introduction to Clustering with R. Springer, Singapore.
Grolemund, G. and Wickham, H. (2015). R for Data Science. O'Reilly, Sebastopol.
Husson, F., Le, S., and Pagès, J. (2017). Exploratory Multivariate Analysis by Example Using R. CRC Press, Boca Raton. [côte : 519.22 HUS]
Irizarry, R. A. (2019). Introduction to Data Science: Data Analysis and Prediction Algorithms With R. CRC Press, Boca Raton.
Li, M. (2013). Using the Propensity Score Method to Estimate Causal Effects : A Review and Practical Guide. Organizational Research Methods, 16(2) :188-226.
MacKinnon, D. P., Fairchild, A. J., and Fritz, M. S. (2007). Mediation Analysis. Annual Review of Psychology, 58(1) :593.
Stock, J. H. and Watson, M. (2014). Principes d'économétrie. Pearson, Paris. [côte : 330.4 STO]
Zelterman, D. (2015). Applied Multivariate Statistics with R. Springer International Publishing, Geneva.