Statistical Models for Social Sciences

Connaissez-vous Florence Nightingale ? Au-delà de son rôle d’infirmière emblématique, elle fut une visionnaire qui a transformé la manière dont nous comprenons et utilisons les données. 𝙐𝙣 𝙡𝙞𝙠𝙚 𝙚𝙩 𝙪𝙣 𝙋𝙖𝙧𝙩𝙖𝙜𝙚 de ce post avant d'aller plus loin nous feront plaisir. 𝐏𝐢𝐨𝐧𝐧𝐢è𝐫𝐞 𝐝𝐞 𝐥’𝐮𝐭𝐢𝐥𝐢𝐬𝐚𝐭𝐢𝐨𝐧 𝐝𝐞𝐬 𝐠𝐫𝐚𝐩𝐡𝐢𝐪𝐮𝐞𝐬 𝐬𝐭𝐚𝐭𝐢𝐬𝐭𝐢𝐪𝐮𝐞𝐬, elle a introduit des diagrammes innovants (comme le fameux diagramme en rose) pour rendre les chiffres accessibles et compréhensibles, même pour les décideurs politiques de son époque. Grâce à son travail, elle a montré que la majorité des décès des soldats n’étaient pas dus aux blessures de guerre, mais aux conditions sanitaires déplorables dans les hôpitaux. Cette découverte a contribué à sauver d’innombrables vies en améliorant les pratiques d’hygiène. Aujourd’hui encore, son héritage inspire aussi bien les sciences de la santé que la science des données. Florence Nightingale reste une figure incontour...

Une heatmap est un outil visuel puissant qui utilise la couleur pour représenter l’intensité des données. 𝙐𝙣 𝙡𝙞𝙠𝙚 𝙚𝙩 𝙪𝙣 𝙋𝙖𝙧𝙩𝙖𝙜𝙚 de ce post avant d'aller plus loin nous feront plaisir.  Interprétation : • Les couleurs chaudes (rouge, orange) représentent des valeurs fortes • Les couleurs froides (bleu, vert) indiquent des valeurs faibles • Le dégradé permet de voir immédiatement la progression entre les niveaux  Avantages : • Repérer instantanément les tendances, motifs et valeurs extrêmes • Comparer facilement les données à travers une matrice • Rendre compréhensibles de grands ensembles de données • Un outil clé pour simplifier l’analyse visuelle et accélérer la prise de décision  Un indispensable pour les analystes, chercheurs et data scientists ! ________________________________________ ________________________________________ ________________________________________ Si vous avez trouvé cette publication utile, n'hésitez pas à 𝒍𝒂 𝒍𝒊𝒌𝒆𝒓 𝒆𝒕 ...

 Les GLMM sont des modèles puissants qui combinent : ·          Effets fixes : facteurs d’intérêt principal ·          Effets aléatoires : variations liées aux groupes ·          Variable de réponse : continue ou discrète 🔎 Exemples d’applications : ·          Mesure de la croissance des plantes dans le temps ·          Analyse du rendement agricole avec parcelles imbriquées ·          Étude des nutriments du sol entre différentes fermes ➡ ️ Un outil clé pour des analyses plus précises et réalistes en recherche et en data science ! ________________________________________ Si vous avez trouvé cette publication utile, n'hésitez pas à 𝒍𝒂 𝒍𝒊𝒌𝒆𝒓 𝒆𝒕 à 𝒍𝒂 𝒑𝒂𝒓𝒕𝒂𝒈𝒆𝒓 avec vos amis et collègues !...

Les Generalized Additive Models (GAM) sont des modèles flexibles qui permettent de capturer des relations non-linéaires tout en restant interprétables . ✨ De plus en plus populaires grâce à : ·          Leur interprétabilité ·          Leur puissance prédictive Un excellent compromis entre simplicité et performance en Data Science ! ________________________________________ Si vous avez trouvé cette publication utile, n'hésitez pas à 𝒍𝒂 𝒍𝒊𝒌𝒆𝒓 𝒆𝒕 à 𝒍𝒂 𝒑𝒂𝒓𝒕𝒂𝒈𝒆𝒓 avec vos amis et collègues ! Pour mieux apprendre l’utilisation des logiciel et modèles statistiques, nous vous invitons à prendre part à la prochaine session de notre formation en 𝙀𝙘𝙤𝙣𝙤𝙢 é 𝙩𝙧𝙞𝙚 𝙚𝙩 𝙏𝙚𝙘𝙝𝙣𝙞𝙦𝙪𝙚𝙨 𝙌𝙪𝙖𝙣𝙩𝙞𝙩𝙖𝙩𝙞𝙫𝙚𝙨   ________________________________________ #DataScience #MachineLearning #GAM #Modélisation #IA  

Le test de Friedman est un test non paramétrique utilisé pour comparer trois groupes liés ou plus . Il est recommandé lorsque : ✅ Mesures répétées ou groupes appariés ✅ Données ordinales ou non normalement distribuées ✅ Comparaison de ≥ 3 conditions 📌 Exemple concret : évaluer les notes de différents régimes alimentaires attribuées par les mêmes participants. ________________________________________ Si vous avez trouvé cette publication utile, n'hésitez pas à 𝒍𝒂 𝒍𝒊𝒌𝒆𝒓 𝒆𝒕 à 𝒍𝒂 𝒑𝒂𝒓𝒕𝒂𝒈𝒆𝒓 avec vos amis et collègues ! Pour mieux apprendre l’utilisation des logiciel et modèles statistiques, nous vous invitons à prendre part à la prochaine session de notre formation en 𝙀𝙘𝙤𝙣𝙤𝙢 é 𝙩𝙧𝙞𝙚 𝙚𝙩 𝙏𝙚𝙘𝙝𝙣𝙞𝙦𝙪𝙚𝙨 𝙌𝙪𝙖𝙣𝙩𝙞𝙩𝙖𝙩𝙞𝙫𝙚𝙨   ________________________________________ #️ ⃣ #Statistiques #AnalyseDeDonnées #Recherche #DataScience #Méthodologie  

La médiane est une mesure de tendance centrale qui sépare une série statistique en deux parties égales. Elle peut être calculée de deux façons : 🔹 𝐃𝐨𝐧𝐧𝐞 ́ 𝐞𝐬 𝐧𝐨𝐧 𝐠𝐫𝐨𝐮𝐩𝐞 ́ 𝐞𝐬 : 1 ️ ⃣ Classer les données en ordre croissant ou décroissant. 2 ️ ⃣ Trouver la (N+1)/2 ᵉ observation (ou la moyenne des deux observations centrales si N est pair). 🔹 𝐃𝐨𝐧𝐧𝐞 ́ 𝐞𝐬 𝐠𝐫𝐨𝐮𝐩𝐞 ́ 𝐞𝐬 : La médiane est calculée avec la formule : Médiane = L + [(N/2 – p.c.f) / f] × i 👉 Où : L = borne inférieure de la classe médiane f = fréquence de la classe médiane i = amplitude de la classe p.c.f. = fréquence cumulée précédente à la classe médiane 💡 Comprendre la médiane aide à mieux analyser les données et à dégager une tendance claire dans les études statistiques.   ________________________________________ Si vous avez trouvé cette publication utile, n'hésitez pas à 𝒍𝒂 𝒍𝒊𝒌𝒆𝒓 𝒆𝒕 à 𝒍𝒂 𝒑𝒂𝒓𝒕𝒂𝒈𝒆...

✅ 𝐎𝐛𝐣𝐞𝐜𝐭𝐢𝐟𝐬 𝐜𝐥𝐚𝐢𝐫𝐬 → définir ce qu’on teste et pourquoi, sans confusion. ⏳ 𝐔𝐭𝐢𝐥𝐢𝐬𝐚𝐭𝐢𝐨𝐧 𝐞𝐟𝐟𝐢𝐜𝐚𝐜𝐞 𝐝𝐞𝐬 𝐫𝐞𝐬𝐬𝐨𝐮𝐫𝐜𝐞𝐬 → gagner du temps, de l’argent et éviter les étapes inutiles. 📊 𝐑𝐞 ́ 𝐬𝐮𝐥𝐭𝐚𝐭𝐬 𝐟𝐢𝐚𝐛𝐥𝐞𝐬 → un bon design réduit les biais et assure des données valides et reproductibles. 🎛 ️ 𝐂𝐨𝐧𝐭𝐫𝐨 ̂ 𝐥𝐞 𝐞𝐭 𝐚𝐥𝐞 ́ 𝐚𝐭𝐨𝐢𝐫𝐢𝐬𝐚𝐭𝐢𝐨𝐧 → mesurer le vrai effet des variables, pas le hasard. 📈 𝐐𝐮𝐚𝐥𝐢𝐭𝐞 ́ 𝐝𝐞𝐬 𝐝𝐨𝐧𝐧𝐞 ́ 𝐞𝐬 & 𝐚𝐧𝐚𝐥𝐲𝐬𝐞 → une structure solide facilite l’analyse et donne du sens aux résultats. 🌍 𝐈𝐦𝐩𝐚𝐜𝐭 𝐬𝐜𝐢𝐞𝐧𝐭𝐢𝐟𝐢𝐪𝐮𝐞 𝐟𝐨𝐫𝐭 → plus de confiance, meilleure publication et influence sur les décisions réelles. 👉 Une bonne préparation, c’est la clé d’une recherche fiable et impactante. ________________________________________ Si vous avez trouvé cette publication utile, n'hésitez pas à 𝒍𝒂 𝒍𝒊𝒌𝒆𝒓 𝒆𝒕 à 𝒍𝒂 𝒑𝒂𝒓𝒕𝒂𝒈...