Accompagnement personnalisé, de la conception méthodologique à la dremise de résultats exploitables.

Aide à la conception d’études, choix de plans d’échantillonnage, définition de modèles, définition de variables et de mesures.

  • Documentation et transparence des choix
  • Études observationnelles et expérimentales
  • Randomisation, contrôles, plans d’analyse

Nettoyage, structuration, harmonisation et intégration de vos données avant l’analyse.

  • Préparation pour analyses causales et bayésiennes
  • Création de pipelines de données
  • Documentation et scripts reproductibles

Révision de la section statistique, recommandations de méthodes, aide à la rédaction des résultats et interprétation.

  • Revues méthodologiques pour revues scientifiques
  • Thèses de doctorat et master

Modélisation d’effets de traitement, causalité sous conditions d’observation, réduction de biais de sélection.

  • Modèles d’ajustement sur les prédicteurs (régression, matching)
  • Modèles de score de propension, différence‑de‑différences
  • Interprétation prudente des causalités

Cours ou séances individuelles ou en groupes adaptées à vos besoins sur la statistique, la causalité ou les modèles bayésiens.

  • Modèles hiérarchiques et multilevel, comme Mixed Marketing Model
  • Visualisation et communication des distributions a posteriori

Cours ou séances individuelles ou en groupes adaptées à vos besoins sur la statistique, la causalité ou les modèles bayésiens.

  • Ateliers pratiques avec Python/R
  • Préparation aux analyses de vos propres projets
  • Support pour adoption de nouvelles méthodes

Les statistiques Bayésiennes sont plus intuitives et ont moins d’a priori que les statistiques fréquentistes classiques, bien que l’intuition veuille nous faire croire le contraire. De plus, elles permettent d’obtenir des réponses de manière générative autant lorsqu’il y a des différences que lorsqu’il n’y en a pas. Les statistiques classiques, elles, se contentent de donner une réponse en cas de différences. Dans le cas contraire, la décision est suspendue. Ceci limite grandement les découvertes et conduit à des comportements scientifiques douteux bien connus, à présent.

Pour ce qui est des méthodes causales, premièrement, elles poussent à conceptualiser plus finement les expérimentations et les analyses de part la représentation du cheminement d’un effet. Ensuite, ces méthodes permettent d’effectuer des expérimentations virtuelles là où cela n’est pas possible dans le monde réél, que ce soit pour des raisons éthiques ou statisitques (échantillonnage aléatoire impossible). Enfin, elles fournissent des indications sur ce qui s’est produit, ce qui aurait pu se produire (et si … ?) et sur ce qui se produira.

Nom & Prénom

Zone d’intervention:
Suisse (accompagnement possible à distance)

Langues:
Français, angalais, italien (connaissances de base) et allemand (connaissances de base)