Introduction à R

Cet enseignement vise à acquérir ou consolider une maîtrise du logiciel R et de l'environnement RStudio pour l'analyse de données statistiques. Il se déroule sous forme de séances pratiques intensives, chaque participant travaillant sur son propre ordinateur portable. Une première partie est consacrée à la prise en main de R et RStudio, avec des rappels théoriques des principaux tests d'inférence statistique (Chi-2, t-tests, ANOVA et équivalents non paramétriques, régression, corrélation) et leur mise en application directe sur le logiciel. Une attention particulière est portée à la représentation graphique des données. Une seconde partie aborde l'utilisation de RStudio comme outil de transparence et de reproductibilité scientifique, à travers l'initiation à RMarkdown pour la rédaction d'analyses reproductibles et la liaison de RStudio avec un compte GitHub, permettant le versionnage et le partage du code. Cette dimension s'inscrit pleinement dans les exigences de science ouverte structurant l'ensemble du Master Recherche.

Prendre en main le logiciel de statistiques RStudio et savoir mettre en application des tests statistiques courants (Chi-2, t-tests, ANOVA et équivalents non paramétriques, régression, corrélation). Relier RStudio à un compte GitHub, utiliser RMarkdown pour l'écriture d'analyses et d'articles, et utiliser les outils Git intégrés à RStudio pour garder trace de son travail et le mettre à jour par versionnage.

Session 1 : Devoir sur table. Écrit - QCM ou rédaction - durée 1 heure

Session 2 : Devoir sur table. Écrit - QCM ou rédaction - durée 1 heure

Dérogatoire : pas de dérogatoire

Répartition de la note finale : non compensable

À l'issue de l'enseignement, l'étudiant sera capable :
- de naviguer dans l'environnement RStudio et comprendre la logique de fonctionnement du langage R.
- d'importer, explorer et préparer un jeu de données en vue de son analyse statistique.
- de mettre en œuvre les principaux tests d'inférence statistique (Chi-2, t-tests, ANOVA et équivalents non paramétriques, régression, corrélation) sous R et en interpréter les sorties.
-de produire des représentations graphiques des données adaptées au type d'analyse conduite.
- de rédiger une analyse reproductible à l'aide de fichier .R et/ou Quarto Markdown intégrant code, résultats et interprétation.
- de connecter RStudio à un dépôt GitHub et utiliser les fonctionnalités de versionnage pour assurer la traçabilité et le partage de son code.

Wickham, H., & Grolemund, G. (2017). R for Data Science. O'Reilly. (disponible en ligne : https://r4ds.had.co.nz)

https://larmarange.github.io/guide-R/