Prendre en compte aspects longitudinaux multiniveaux réseaux

Cet enseignement est consacré à trois familles de modélisations statistiques avancées, particulièrement pertinentes pour la recherche en psychologie : les modèles longitudinaux, les modèles multiniveaux et les analyses en réseaux. Il s'appuie sur une approche pratique, les étudiants mettant en œuvre les différentes techniques présentées sous R et RStudio à partir de jeux de données issus de la recherche en psychologie. La première partie porte sur la modélisation longitudinale, avec une introduction au latent growth curve modelling (LGCM), permettant de modéliser les trajectoires de changement intra-individuel au fil du temps. Elle aborde également les modèles dans lesquels les temps de mesure sont emboîtés dans des individus eux-mêmes emboîtés dans des groupes, comme dans le cas des essais contrôlés randomisés et introduit ainsi la deuxième partie. La deuxième partie est consacrée aux modèles multiniveaux (multilevel modeling, MLM), permettant de traiter des données présentant une structure hiérarchique — par exemple des individus emboîtés dans des classes, elles-mêmes emboîtées dans des établissements. Les modèles à deux et trois niveaux sont présentés et appliqués. La troisième partie propose une introduction aux analyses en réseaux appliquées à la psychologie, à travers les modèles d'Ising, les modèles graphiques gaussiens (Gaussian Graphical Model, GGM) et les modèles graphiques mixtes (Mixed Graphical Model, MGM). Ces approches, en plein essor dans la recherche en psychopathologie et en psychologie de la personnalité, offrent une alternative conceptuelle aux modèles factoriels classiques.

À l'issue de cet enseignement, les étudiants seront capables de comprendre les principes fondateurs des modélisations longitudinales, multiniveaux et en réseaux, d'en identifier les conditions d'application pertinentes dans le cadre de leur propre recherche, et de les mettre en œuvre sous R à partir de données empiriques. Ils sauront également interpréter et présenter les résultats issus de ces modèles selon les standards en usage dans la littérature scientifique en psychologie.

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.

Non compensable

Pas de pré-requis

À l'issue de l'enseignement, l'étudiant sera capable :
-d'identifier la structure des données (hiérarchique, longitudinale, en réseau) et choisir le modèle statistique adapté.
- de spécifier, estimer et interpréter un modèle de croissance latente (latent growth curve model) sous R.
- de mettre en œuvre un modèle multiniveau à deux ou trois niveaux (individus, classes, établissements) et en interpréter les paramètres fixes et aléatoires.
- de modéliser des données longitudinales dans des designs emboîtés complexes, tels que les essais contrôlés randomisés.
- de construire et interpréter un graphe de réseau à partir de données psychologiques, en utilisant les modèles GGM, Ising et MGM.
- de présenter et discuter les résultats de ces modélisations dans un format conforme aux standards de publication en psychologie.

Bringmann, L. F., et al. (2022). What do centrality measures measure in psychological networks? Psychological Methods, 27(2), 223–241.
Epskamp, S., Borsboom, D., & Fried, E. I. (2018). Estimating psychological networks and their accuracy: A tutorial paper. Behavior Research Methods, 50(1), 195–212.
Grimm, K. J., Ram, N., & Estabrook, R. (2016). Growth modeling : Structural equation and multilevel modeling approaches. Guilford Publications.
Hox, J. J., Moerbeek, M., & van de Schoot, R. (2017). Multilevel Analysis: Techniques and Applications (3e éd.). Routledge.
Snijders, T. A. B., & Bosker, R. J. (2012). Multilevel Analysis: An Introduction to Basic and Advanced Multilevel Modeling (2e éd.). Sage.

Logiciels R et RStudio (libres et gratuits) ; packages R dédiés : lme4, lavaan, qgraph, bootnet, mgm ; jeux de données pédagogiques issus de la recherche en psychologie ; supports de séances fournis par l'enseignant ; documentation des packages disponible sur le CRAN.