Méthodes de regression multiple

Jérôme Deauvieau, professeur ENS.

jerome.deauvieau@ens.fr

Semestre 2, 24 h, 6 ECTS.

Ce cours appartient au tronc commun du master de sciences sociales (PSL-ENS / EHESS). Il est obligatoire pour les étudiants inscrits en master 1 dans le parcours « Quantifier en sciences sociales » et fait partie du cycle méthode du parcours « Pratiques de l’interdisciplinarité dans les sciences ». Il est également ouvert aux élèves et étudiants de l’ENS et sur demande aux étudiants des autres masters de PSL et de l’EHESS.

Pré-requis : avoir des connaissances de base en statistique et maniement du logiciel R. Les étudiants doivent installer sur un ordinateur portable R et Rstudio (voir par exemple https://juba.github.io/tidyverse/01-presentation.html). Avoir accès à Internet pendant les séances, par exemple par le biais d’Eduroam.

Description du cours

L’objectif de ce cours est de former les étudiants à la pratique des méthodes de régression en sciences sociales, traditionnellement utilisées pour étudier les liens entre une variable à expliquer et un ensemble de variables explicatives. Il débute par une présentation du modèle linéaire (régression linéaire simple et multiple), puis se poursuite par l’étude de la régression dite logistique – permettant d’appliquer le raisonnement linéaire dans le cadre de variables à expliquer catégorielles - et ses divers développements (modélisation logit dichotomique, modélisation polytomique, effets d’interaction, comparaison entre modèles, etc…).

Le cours est construit sur une présentation des principes de fonctionnement des méthodes et des controverses épistémologiques et méthodologiques qu’elles ont suscitées, puis sur des mises en œuvre sur données de la statistique publique en utilisant le logiciel R.

Organisation de l’année

8 séances de 3h, de 9 h à 12 h. Salle R3-46, Campus Jourdan.

 

Attention, le programme des séances est modifié comme suit :

Calendrier des séances (année 2019-2020) :

25/02 ; 03/03 ; 10/03 ; 17/03 ; 24/03 ; 31/03 (à confirmer).

Validation : assiduité complète et exercices réguliers