De l'analyse des Réseaux Expérimentaux à la Méta-Analyse : Méthodes et Applications Avec le Logiciel R Pour les Sciences Agronomiques et Environnementales.

Intro -- Sommaire -- 1. Introduction et exemples -- Objectifs de l'analyse de réseaux d'expérimentations et de la méta-analyse -- Données -- Le type de données -- La collecte des données -- La validation des données -- Analyse -- Principales étapes -- Présentation des hypothèses testées -- Collecte des données -- Validation des données -- Analyse des données -- Validation de l'analyse -- Communication des résultats -- Objectif de l'ouvrage -- Un exemple simple de modèle mixte -- Définition -- Données -- Définition du modèle -- Estimation -- Comparaison avec le modèle sans effet aléatoire -- Références -- Partie I. Analyse des réseaux expérimentaux -- 2. Notions de base -- Expérimentation agronomique -- Réseau d'expérimentations -- Définition -- Exemple de réseau d'expérimentations -- Notion d'environnement -- Objectifs d'un réseau d'expérimentations -- Notion de population d'environnements -- Notion d'interaction -- Références -- 3. Analyse d'un réseau d'expérimentations en blocs aléatoires complets à un facteur étudié -- Objectif du chapitre -- Exemple « blé » -- Modélisation -- Modèle avec un effet expérimentation aléatoire -- Modèle avec un effet expérimentation fixe -- Exemple -- Comment choisir entre un modèle avec un effet expérimentation fixe et un modèle avec un effet expérimentation aléatoire ? -- Évaluation du modèle -- Normalité -- Homoscédasticité -- Indépendance -- Données suspectes -- Comparaisons de moyennes -- Tests d'hypothèse : tests d'égalité -- Intervalles de confiance -- Tests d'hypothèse : tests d'équivalence -- Exemple -- Exemple « blé » : script R et analyse commentée -- Références -- 4. Méthodes avancées pour l'analyse des réseaux -- Analyse des données moyennes -- Étape 1 : analyse des expérimentations individuelles pour estimer les moyennes des traitements -- Étape 2 : analyse des données moyennes -- Exemple.

Une variante : analyse des données moyennes avec un modèle fixe -- Estimation de la variance d'interaction traitement-expérimentation -- Script R -- Expérimentations avec variances hétérogènes -- Introduction -- Exemple « blé » -- Pour aller plus loin -- Données manquantes -- Origine des données manquantes -- Moyennes ajustées -- Les facteurs lieu et année -- Objectif -- Exemple « blé_pluri » -- Modèle pour l'analyse des données moyennes -- Estimation de la variance de l'interaction traitement-année-lieu -- Variance de la différence entre deux traitements -- Analyse de l'exemple « blé_pluri » et script R -- Références -- 5. Planification d'un réseau d'expérimentations -- Objectif -- Comparaison de deux traitements -- Cas d'un réseau multilocal -- Cas d'un réseau multilocal et pluriannuel -- Autres contrastes -- Comparaison à la moyenne de plusieurs témoins -- Comparaison à la moyenne générale -- Références -- Partie II. La méta-analyse -- 6. Notions de base pour la méta-analyse -- Définition, origine et principales étapes de la méta-analyse -- Estimation d'une taille d'effet moyenne -- Objectif -- Recherche systématique des études, sélection des références et extraction de données -- Estimation de la taille d'effet moyenne avec un modèle sans effet aléatoire -- Estimation de la taille d'effet moyenne avec un modèle à effets aléatoires -- Métarégression -- Objectif -- Exemple -- Modèles de régression avec et sans effet aléatoire -- Exemple (suite) -- Analyse critique des résultats -- Références -- 7. Problèmes statistiques spécifiques pour la méta-analyse -- Définition de la taille d'effet -- Correction des biais liés à l'utilisation de ratios -- Différence entre moyennes d'observations -- Tailles d'effet pour les données binaires -- Coefficient de corrélation -- Tailles d'effet basées sur la variance.

Modèles linéaires généralisés pour l'analyse de données discrètes -- Modèle binomial logit à effets aléatoires pour analyser l'effet d'un traitement -- Exemple -- Modèles non linéaires mixtes -- Intérêt et définition -- Exemple -- Modèles bayésiens -- Définition -- Exemple : méta-analyse avec MCMCglmm -- Références -- Annexe -- Package KenSyn : code R et jeux de données des exemples présentés dans les différents chapitres -- Installation -- Contenu et utilisation -- Mettre en œuvre le modèle mixte sous R -- Ajuster un modèle mixte -- Manipuler les résultats des modèles mixtes sous R -- Le package metafor, dédié à la réalisation de méta-analyses sous R -- Approche bayésienne avec le modèle mixte -- Package MCMCglmm -- Package coda -- Références.

Description based on publisher supplied metadata and other sources.

Electronic reproduction. Ann Arbor, Michigan : ProQuest Ebook Central, 2024. Available via World Wide Web. Access may be limited to ProQuest Ebook Central affiliated libraries.