C5 — Modélisation Bayésienne

🎯 Penser en distributions — modélisation bayésienne moderne en R avec Stan et brms.

La statistique bayésienne change la façon de penser l’incertitude. Au lieu de p-values et tests, vous parlez directement de la probabilité qu’une hypothèse soit vraie, en intégrant des connaissances a priori. Ce cours vous fait passer du Bayes élémentaire à la modélisation hiérarchique en R avec brms et Stan, sans les mathématiques inutiles.

Pour qui : chercheurs en sciences expérimentales, écologues (modèles hiérarchiques fréquents en éco), épidémiologistes, psychologues quantitatifs, data scientists qui veulent quantifier l’incertitude proprement.

Parcours en 5 blocs

• Bloc 1 — Fondations : théorème de Bayes, prior, likelihood, posterior.
• Bloc 2 — MCMC et diagnostic : Stan, HMC, convergence, R-hat, ESS.
• Bloc 3 — Modèles standards : régression bayésienne (linéaire, logistique, Poisson) avec brms.
• Bloc 4 — Modèles hiérarchiques : partial pooling, multilevel, effets aléatoires bayésiens.
• Bloc 5 — Comparaison et communication : LOO, WAIC, posterior predictive checks, rapport.

Stack R : brms, rstanarm, cmdstanr, posterior, tidybayes, bayesplot, loo. Volume : ~2h vidéo + ~18h pratique.