Livres

Model to Meaning

How to Interpret Statistical Models in R and Python

Arel-Bundock, Vincent. 2026. CRC Press. Version papier chez Routledge.

Version HTML gratuite sur marginaleffects.com

Ce livre propose un cadre conceptuel simple mais puissant pour donner un sens aux modèles complexes. Il offre des tutoriels détaillés sur marginaleffects, un progiciel libre pour R et Python qui permet de calculer et de visualiser des prédictions, des comparaisons (contrastes, rapports de risque, etc.), des pentes, et de réaliser des tests d’hypothèses et d’équivalence pour plus de 100 types de modèles.

• Scripts R complets
• Code Python
• Démarrage rapide
• Article dans le Journal of Statistical Software (libre accès)

Les redevances sont versées au Foyer pour femmes autochtones de Montréal et à Against Malaria Foundation.

Analyse Causale et Méthodes Quantitatives

Une introduction avec R, Stata et SPSS

• Version électronique gratuite en libre accès
• Version papier à prix raisonnable (redevances versées à une OSBL)
• Chapitre 1 en format PDF
• Capsules vidéo sur Youtube (13 heures)
• Diapositives sous licence “Creative Commons”
• Exercices
• Tutoriel R interactif

Les Presses de l’Université de Montréal écrivent:

Ce livre offre une introduction intégrée à la théorie de l’analyse causale et aux méthodes quantitatives qui permettent d’évaluer les relations de cause à effet en sciences sociales. Il présente les outils classiques de l’analyse descriptive (visualisation, probabilités, statistiques descriptives, inférence statistique et régression linéaire), les cadres théoriques qui facilitent le saut entre description et causalité (modèle Neyman-Rubin et graphes orientés acycliques), les défis de l’inférence causale (biais par variable omise, de sélection, de mesure et de simultanéité) ainsi que les stratégies pour les déjouer. Les exemples tirés de plusieurs disciplines en sciences sociales sont accompagnés de syntaxes informatiques complètes pour R, Stata et SPSS, et des annexes de mathématiques et de statistiques viennent ici soutenir les explications données.

Table des matières

Partie I: Analyse descriptive

1. Visualisation
2. Probabilités
3. Statistiques descriptives
4. Inférence statistique
5. Régression linéaire

Partie II: Analyse causale

6. Graphes orientés acycliques
7. Problème fondamental de l’inférence causale (modèle Neyman-Rubin)

Partie III: Problèmes

8. Biais par variable omise
9. Biais de sélection
10. Biais de mesure
11. Biais de simultanéité

Partie IV: Solutions

12. Expériences
13. Expériences naturelles
14. Variables instrumentales
15. Observations répétées ou hiérarchiques
16. Modèle linéaire généralisé
17. Modération: effets hétérogènes
18. Médiation: mécanisme causal

Partie V: Annexes

19. Mathématiques
20. Statistiques
21. R
22. Stata
23. SPSS

Errata

• p.65 Tableau 4.1: La variance entre échantillon devrait être égale à 6.68. Dans R nous avons: var(c(96.6, 98.4, 102.6, 98)) Par défaut, R applique la correction de Bessel au calcul de la variance. Sans cette correction, l’estimé de la variance échantillonale serait 5.
• Dans la version papier je recommande un livre de Monogan. L’auteur a depuis plaidé coupable d’un crime grave. Je ne recommande pas d’acheter ou de consulter son livre.

Loading source...