Programme de quelques matières

Project and Professional Development (100% courseworks) :

15% : ‘Professional Development Report’ c’est-à-dire un rapport reprenant les compétences professionnelles souvent acquises en stages.

85% : projet de dernière année encadré.Multivariate Methods (30% courseworks : 2 practicals de 15% chacun, 70% exams) : les méthodes multivariées forment un domaine central d’étude et d’application des connaissances pour les statisticiens. Ce cours comprend l’exploration et la modélisation de larges jeux de données avec des applications notamment en santé et en science sociale, psychologie, marketing, finance et autres domaines des affaires. Cette unité fournit une introduction aux principales approches avec des considérations pratiques et utilise les logiciels statistiques standards.

Introduction and overview

Background in Mathematics: elements of matrix algebra

Data exploration: introduction to cluster analysis

Inference: multivariate t-test

Introduction to decision making: discriminant analysis

Principal component analysis

Introduction to Factor Analysis

Canonical correlation

Multivariate Analysis of variance and canonical variates analysis.Applied Generalized Linear Models (30% courseworks : une dizaine de mini-assignements pour un total de 20%, 2 practicals de 5% chacun, 70% exams) : les données provenant d’observations ou d’études expérimentales dans de nombreux domaines tels que ceux de la recherche pharmaceutique, les sciences sociales, le commerce ou l’économie relèvent souvent de l’application du modèle linéaire général. Ces modèles relèvent des modèles simples de type régression enseignés dans les disciplines académiques. Ils sont au cœur de la modélisation et de l’analyse statistique. La capacité de comprendre, d’appliquer et de développer ce type de modèles de manière approfondie est d’une immense importance pour quiconque exerce la statistique. De plus, l’utilisation de logiciels, tels que GLIM, l’écriture ainsi que l’utilisation de macros étendent l’expérience des étudiants dans l’utilisation de ces logiciels.

Introduction

The linear predictor and assessing the basic fit of the model

Cell structure, GLIM macro

Other useful GLIM utilities

User created macros in GLIM

The response distribution – important criteria

The fitted process

The deviance

Pure error models and the true deviance

Parameterisation

Categorical data

Analysis of Covariance

Overdispersion

Using your own error structure and link in GLIM

Normal Error Structure

Inference for Parameters Normal Errors.Medical Statistics (30% courseworks : 1 travail de groupe de 10%, 2 practicals de 10% chacun, 70% exams) : cette unité est une introduction à l’utilisation de techniques statistiques dans le domaine de la médecine et de la santé. Certaine de ces techniques ont été précédemment vues mais sont ici mises dans le contexte d’application médicales ou de la santé. D’autres techniques sont spécifiques à ces domaines. Actuellement, ce sont deux domaines majeurs de développement pour les applications et méthodes statistiques.

Introduction to medical statistics

Critical appraisal

Introduction to epidemiology (including measures, sources of data, factors affecting disease, type of study, ethic)

Measuring disease: assessing risk

Design a study (including sample size calculation)

Basic analysis of epidemiological studies (unmatched, matched 1:1, matched 1:N, cohort studies)

Introduction on logistic regression

More on logistic regression

Design in Clinical Trials

Analysis of Clinical trials

Analysis of Survival DataExperimental Design and Analysis (30% courseworks : 2 practicals de 15% chacun, 70% exams) : l’utilisation des plans d’expérience est fondamentale. Elle a permis des avancées importantes dans la connaissance. L’expérimentation est utilisée de manière étendue dans de nombreux domaines; par exemple en recherche médicale et pharmaceutique, en recherche agricole et industrielle, de plus en plus dans le commerce. La qualité de toute investigation expérimentale se décline à différents niveaux : choix du plan, mise en œuvre, analyse et interprétation, communication des résultats. De plus, la pratique requiert la connaissance d’un grand nombre de plans d’expérience. Utilisation de SAS.

Revision and Further Analysis

Introduction to 2n and 3n Designs

Confounding

Fractional Replication Response Design and Methods

Incomplete Block Designs

Further Miscellaneous DesignsQuality Improvement

Data Mining (50% courseworks : 2 practicals de 25% chacun, 70% exams) : ce cours reprend et complète façon plus approfondie l’unité concernant les méthodes multivariées. Sont notamment traités la régression logistique, la classification, l’analyse discriminante, l’analyse en composantes principales et les réseaux de neurones. Utilisation de SAS Enterprise Miner.

Overview of Data Mining

Data Mining technologies

Statistical techniques: regression analysis

Statistical techniques: logical regression

Statistical techniques: regression and logistic regression for large sample, assessement and data samples

Principal Components Analysis

Cluster Analysis

More on Cluster Analysis

Decision Trees