De l'analyse des réseaux expérimentaux à la méta-analyse : méthodes et applications avec le logiciel R pour les sciences agronomiques et environnementales
L’analyse de données joue un rôle croissant dans la recherche agronomique, l’expertise scientifique et les études prospectives. Des sources de données multiples sont souvent disponibles pour estimer un paramètre clé ou pour tester une hypothèse d’intérêt scientifique ou sociétal. Ces données, obtenues dans différentes conditions environnementales ou basées sur différents [...]
[lire le résumé du livre]
Auteur : David MAKOWSKI , François PIRAUX , François BRUN
Editeur : Quae
Date parution : 06/2018CB Google/Apple Pay, Chèque, Virement
Quel est le sujet du livre "De l'analyse des réseaux expérimentaux à la méta-analyse : méthodes et applications avec le logiciel R pour les sciences agronomiques et environnementales"
L’analyse de données joue un rôle croissant dans la recherche agronomique, l’expertise scientifique et les études prospectives. Des sources de données multiples sont souvent disponibles pour estimer un paramètre clé ou pour tester une hypothèse d’intérêt scientifique ou sociétal. Ces données, obtenues dans différentes conditions environnementales ou basées sur différents protocoles expérimentaux, sont généralement hétérogènes. Parfois même, elles ne sont pas accessibles et il est nécessaire de les extraire d’articles scientifiques ou de rapports. Pourtant, une analyse globale des données disponibles est essentielle pour augmenter la précision des estimations, évaluer la robustesse des conclusions et comprendre l’origine de la variabilité de certains résultats. Une synthèse quantitative de l’ensemble des données disponibles permet de mieux comprendre les effets de facteurs expérimentaux et d’affiner les recommandations agronomiques.
Conçu comme un guide méthodologique, cet ouvrage montre les intérêts et les limites de différentes méthodes statistiques permettant d’analyser des données issues de réseaux expérimentaux et de réaliser des méta-analyses. Il s’adresse aux ingénieurs, étudiants et chercheurs impliqués dans l’analyse de données agronomiques. Notre objectif est de présenter les principales méthodes statistiques permettant de réaliser une synthèse quantitative des données issues des réseaux expérimentaux et des publications scientifiques. Chaque chapitre expose une ou plusieurs méthodes et les illustre à l’aide d’exemples traités avec le logiciel R. Les données et les codes R sont fournis et commentés afin de faciliter leur adaptation à d’autres situations pratiques. Ils peuvent être utilisés à partir du « package » R KenSyn associé à ce livre.
Auteurs :
Auteur Auteur Auteur David Makowski est directeur de recherche à l'Inra, au sein du département Environnement-Agronomie. François Piraux est statisticien chez Arvalis-Institut du végétal. François Brun travaille à l'Acta - les instituts techniques agricoles, où il est en charge du numérique, de la modélisation et de l'analyse de données. Les trois auteurs animent ensemble le réseau mixte technologique 'Modélisation et analyse de données pour l'agriculture' au sein duquel ils ont organisé de nombreuses formations et séminaires en statistique et modélisation, en France et à l'étranger.
En suivant ce lien, retrouvez tous les livres dans la spécialité Informatique-Audiovisuel.Sommaire et contenu du livre "De l'analyse des réseaux expérimentaux à la méta-analyse : méthodes et applications avec le logiciel R pour les sciences agronomiques et environnementales"
Chapitre 1. Introduction etexemples
Objectifs del’analyse de réseaux d’expérimentations et de la méta-analyse
Données
Le type dedonnées
La collectedes données
La validationdes données
Analyse
Principalesétapes
Présentationdes hypothèses testées
Collecte desdonnées
Validationdes données
Analyse desdonnées
Validation del’analyse
Communicationdes résultats
Objectif del’ouvrage
Un exemplesimple de modèle mixte
Définition
Données
Définition dumodèle
Estimation
Comparaisonavec le modèle sans effet aléatoire
Références
Partie I. Analyse des réseaux expérimentaux
Chapitre 2. Notions de base
Expérimentationagronomique
Réseaud’expérimentations
Définition
Exemple deréseau d’expérimentations
Notiond’environnement
Objectifsd’un réseau d’expérimentations
Notion depopulation d’environnements
Notiond’interaction
Références
Chapitre 3. Analyse d’un réseaud’expérimentations en blocs
aléatoires complets à un facteur étudié
Objectif duchapitre
Exemple « blé»
Modélisation
Modèle avecun effet expérimentation aléatoire
Modèle avecun effet expérimentation fixe
Exemple
Commentchoisir entre un modèle avec un effet expérimentation fixe et un modèle avec uneffet expérimentation aléatoire ?
Évaluation dumodèle
Normalité
Homoscédasticité
Indépendance
Donnéessuspectes
Comparaisonsde moyennes
Testsd’hypothèse : tests d’égalité
Intervallesde confiance
Testsd’hypothèse : tests d’équivalence
Exemple
Exemple « blé» : script R et analyse commentée
Références
Chapitre 4. Méthodes avancéespour l’analyse des réseaux
Analyse desdonnées moyennes
Étape 1 :analyse des expérimentations individuelles pour estimer les moyennes destraitements
Étape 2 :analyse des données moyennes
Exemple
Une variante: analyse des données moyennes avec un modèle fixe
Estimation dela variance d’interaction traitement-expérimentation
Script R
Expérimentationsavec variances hétérogènes
Introduction
Exemple « blé»
Pour allerplus loin
Donnéesmanquantes
Origine desdonnées manquantes
Moyennesajustées
Les facteurslieu et année
Objectif
Exemple «blé_pluri »
Modèle pourl’analyse des données moyennes
Estimation dela variance de l’interaction traitement-année-lieu
Variance dela différence entre deux traitements
Analyse del’exemple « blé_pluri » et script R
Références
Chapitre 5. Planification d’unréseau d’expérimentations
Objectif
Comparaisonde deux traitements
Cas d’unréseau multilocal
Cas d’unréseau multilocal et pluriannuel
Autrescontrastes
Comparaison àla moyenne de plusieurs témoins
Comparaison àla moyenne générale
Références
Partie II. La méta-analyse
Chapitre 6. Notions de basepour la méta-analyse
Définition,origine et principales étapes de la méta-analyse
Estimationd’une taille d’effet moyenne
Objectif
Recherchesystématique des études, sélection des références et extraction de données
Estimation dela taille d’effet moyenne avec un modèle sans effet aléatoire
Estimation dela taille d’effet moyenne avec un modèle à effets aléatoires
Métarégression
Objectif
Exemple
Modèles derégression avec et sans effet aléatoire
Exemple(suite)
Analysecritique des résultats
Références
Chapitre 7. Problèmesstatistiques spécifiques pour la méta-analyse
Définition dela taille d’effet
Correction desbiais liés à l’utilisation de ratios
Différenceentre moyennes d’observations
Taillesd’effet pour les données binaires
Coefficientde corrélation
Taillesd’effet basées sur la variance
Modèleslinéaires généralisés pour l’analyse de données discrètes
Modèlebinomial logit à effets aléatoires pour analyser l’effet d’un traitement
Exemple
Modèles nonlinéaires mixtes
Intérêt etdéfinition
Exemple
Modèlesbayésiens
Définition
Exemple :méta-analyse avec MCMCglmm
Références
Annexe. Ressources R pour mettre en œuvre les méthodes d’analysedes réseaux et de méta-analyse
PackageKenSyn : code R et jeux de données des exemples présentés dans
lesdifférents chapitres
Installation
Contenu etutilisation
Mettre enoeuvre le modèle mixte sous R
Ajuster unmodèle mixte
Manipuler lesrésultats des modèles mixtes sous R
Le packagemetafor, dédié à la réalisation de méta-analyses sous R
Approchebayésienne avec le modèle mixte
PackageMCMCglmm
Package coda
Références