Delivery to Metropolitan France at only €0.01 for purchases of €35 or more, from Nov 12th to Dec 31st 2024

From the Analysis of Experimental Networks to Meta-analysis

Methods and applications of R software for the agricultural and environmental sciences

by David Makowski (writer), François Piraux (writer), François Brun (writer)
Collection: Savoir faire
june 2018
160 x 240 format 162 pages In stock
25,00 €
162 pages Download after purchase
16,99 €
Download after purchase
16,99 €
Référencer ce produit sur votre site

Summary

This Print On Demand book will be sent within 3 weeks (metropolitan France) and in a separate package if you order another paperback book.

Data analysis is playing an increasingly greater role in agricultural research, in scientific appraisal, and in prospective studies. Designed as a methodological guide, this book discusses the merits and limits of different statistical methods for analyzing agricultural data from experimental networks and for performing meta-analyses. 

Table of contents

Chapitre 1. Introduction etexemples

Objectifs de l’analyse de réseaux d’expérimentationset 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 effetaléatoire

Références

 

Partie I. Analyse des réseauxexpérimentaux

Chapitre 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

Chapitre 3. Analyse d’un réseaud’expérimentations en blocs

aléatoires complets à unfacteur étudié

Objectif du chapitre

Exemple « blé »

Modélisation

Modèle avec un effet expérimentationaléatoire

Modèle avec un effet expérimentation fixe

Exemple

Comment choisir entre un modèle avec un effetexpérimentation 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 analysecommentée

Références

Chapitre 4. Méthodes avancéespour l’analyse des réseaux

Analyse des données moyennes

Étape 1 : analyse des expérimentationsindividuelles pour estimer les moyennes des traitements

Étape 2 : analyse des données moyennes

Exemple

Une variante : analyse des données moyennesavec un modèle fixe

Estimation de la variance d’interactiontraitement-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’interactiontraitement-année-lieu

Variance de la différence entre deuxtraitements

Analyse de l’exemple « blé_pluri » et scriptR

Références

Chapitre 5. Planification d’unréseau 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

Chapitre 6. Notions de basepour la méta-analyse

Définition, origine et principales étapes dela méta-analyse

Estimation d’une taille d’effet moyenne

Objectif

Recherche systématique des études, sélectiondes références et extraction de données

Estimation de la taille d’effet moyenne avecun modèle sans effet aléatoire

Estimation de la taille d’effet moyenne avecun modèle à effets aléatoires

Métarégression

Objectif

Exemple

Modèles de régression avec et sans effetaléatoire

Exemple (suite)

Analyse critique des résultats

Références

Chapitre 7. Problèmesstatistiques spécifiques pour la méta-analyse

Définition de la taille d’effet

Correction des biais liés à l’utilisation deratios

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’analysede données discrètes

Modèle binomial logit à effets aléatoirespour 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. Ressources R pourmettre en oeuvre les méthodes d’analyse

des réseaux et de méta-analyse

Package KenSyn : code R et jeux de donnéesdes exemples présentés dans

les différents chapitres

Installation

Contenu et utilisation

Mettre en oeuvre le modèle mixte sous R

Ajuster un modèle mixte

Manipuler les résultats des modèles mixtessous R

Le package metafor, dédié à la réalisation deméta-analyses sous R

Approche bayésienne avec le modèle mixte

Package MCMCglmm

 

Package coda

Références

Press

More contents

Features

Language(s): French

Publisher: Éditions Quae

Edition: 1st edition

Collection: Savoir faire

Published: 28 june 2018

Reference eBook [PDF]: 02642NUM

Reference eBook [ePub]: 02642EPB

Reference Book: 02642

EAN13 eBook [PDF]: 9782759228164

EAN13 eBook [ePub]: 9782759228171

EAN13 Book: 9782759228157

Interior: Black & white

Format (in mm) Book: 160 x 240

Pages count eBook [PDF]: 162

Pages count Book: 162

Weight (in grammes): 305

Size: 7.62 MB (PDF), 3.32 MB (ePub)

Vidéo

--:-- / --:--