Joseph Larmarange

Enseigner R sur YouTube en temps de COVID-19 : retour d'expérience des webin-R

Joseph LARMARANGE — 2026-01-26T11:02:21Z

Enseigner R sur YouTube en temps de COVID-19 : retour d'expérience des webin R

2026

Pré-publication, Document de travail

Résumé

En contexte COVID-19, j'ai mis en place en novembre 2020 un webinaire hebdomadaire d'enseignement à R : les webin-R. Diffusées en direct sur YouTube, les sessions duraient de 1 h 30 à 2 h, avec partage d'écran. Les contenus reposaient sur analyse-R, un support de formation en ligne créé et maintenu depuis 2015.

Mi-mai 2021, une enquête a été menée auprès des participantes aux webin-R (120 questionnaires complétés). Les répondantes étaient en majorité des hommes (64 %), âgés de 40 ans ou moins (62 %). La moitié (49 %) résidait hors de France. Ils/Elles étaient mastérantes (20 %), doctorantes (25 %), postdoctorantes (3 %), ingénieures (26 %), chercheures (18 %). Les disciplines étaient tout aussi variées.

En termes de participation, nous avons observé une fatigue au cours du temps, et surtout une baisse du suivi en direct au profit du différé.

Les participantes ont souligné l'importance du visionnage en différé, la mise à disposition des scripts, le chapitrage des vidéos, l'articulation avec analyse-R, le partage d'écran, la langue française et la gratuité des contenus. Certains regrettent l'absence d'exercices ou la non-possibilité de valider des crédits d'enseignement.

L'expérience des webin-R traduit une forte demande pour des contenus d'autoformation à R, avec une visée appliquée, en français, et facilement accessibles. Le format libre participe au développement d'une science ouverte.

Mots clés : enseignement statistique, R, YouTube, enquête en ligne, COVID-19.

Initier la communauté de recherche à l'analyse d'enquêtes avec R et RStudio : retours d'expériences d'analyse-R et des webin-R

Joseph LARMARANGE — 2021-12-09T19:02:33Z

Communication effectuée dans le cadre de la semaine Data SHS 2021 le 10 décembre 2021 à Paris.

Référence

Larmarange Joseph (2021) « Initier la communauté de recherche à l'analyse d'enquêtes avec R et RStudio : retours d'expériences d'analyse-R et des webin-R » (communication orale), présenté à Semaine Data SHS 2021, Paris. https://progedo.hypotheses.org/1787.

Reproducible Summary Tables with the gtsummary Package

Joseph LARMARANGE — 2021-08-06T14:19:47Z

Reproducible Summary Tables with the gtsummary Package

Daniel D. Sjoberg , Karissa Whiting , Michael Curry , Jessica A Lavery , Joseph Larmarange

The R Journal, 2021, 13 (1), pp.570-580. ⟨10.32614/RJ-2021-053⟩

Article dans une revue

ird-03883594

Authors

Daniel D. Sjoberg, Karissa Whiting, Michael Curry, Jessica A. Lavery, Joseph Larmarange

Abstract

The gtsummary package provides an elegant and flexible way to create publication-ready summary tables in R. A critical part of the work of statisticians, data scientists, and analysts is summarizing data sets and regression models in R and publishing or sharing polished summary tables. The gtsummary package was created to streamline these everyday analysis tasks by allowing users to easily create reproducible summaries of data sets, regression models, survey data, and survival data with a simple interface and very little code. The package follows a tidy framework, making it easy to integrate with standard data workflows, and offers many table customization features through function arguments, helper functions, and custom themes.

ggplot2 ou la grammaire des graphiques sous R

Joseph LARMARANGE — 2019-06-18T07:17:11Z

Communication orale effectuée le 18 juin 2019 à l'Ined dans le cadre des Rencontres de statistique appliquée, session Visualisation de données : grammaires, pratiques, outils.

Résumé

R possède un puissant moteur graphique interne. Toutefois, produire un graphique complet avec les fonctions basiques de R est peu aisée. L'extension ggplot2, développée par Hadley Wickham et mettant en œuvre la grammaire des graphiques théorisée par Leland Wilkinson, est devenue en quelques années l'une des extensions R les plus utilisées. La grammaire des graphiques invite l'utilisateur à repenser sa manière de concevoir un graphique en associant variables (données), paramètres graphiques (esthétiques) et formes géométriques, puis en complexifiant progressivement son graphique (coordonnées, échelles, facettes, étiquettes, légendes, thèmes…).

Référence

Larmarange Joseph (2019) « Ggplot2 ou la grammaire des graphiques sous R » (communication orale), présenté à Rencontres de statistique appliquée de l'Ined, Paris. DOI : 10.5281/zenodo.3247913. https://larmarange.github.io/seminaire-INED-18juin2019/diaporama.html.

Représentation graphique du 90-90-90

Joseph LARMARANGE — 2016-07-11T19:54:29Z

L'objectif 90-90-90 des Nations unies dans le domaine de la lutte contre le VIH (90% des personnes infectées diagnostiquées, 90% des personnes diagnostiquées sous traitement, 90% des personnes sous traitement avec charge virale contrôlée) est le plus souvent représenté au travers du graphique ci-dessous.

Ce graphique peut être facilement reproduit avec R et ggplot2 à l'aide de la fonction gg909090() du package JLutils disponible sur GitHub.

Pour reproduire la figure précédente, il suffit d'entrer la commande :

gg909090()

On peut facilement modifier les valeurs ainsi que la couleur du graphique.

gg909090(0.789, .567, .912, col = "darkgreen")

gg909090(0.782334, .6789, .82, col = "darkblue", overall = TRUE)

Pour plus d'options, voir l'aide de la fonction.

?gg909090

Représenter les coefficients d'un modèle avec ggplot2

Joseph LARMARANGE — 2016-06-06T10:04:38Z

Le packge GGally qui fournit plusieurs fonctions permettant de réaliser certains graphiques particuliers avec ggplot2 vien de se doter d'une fonction ggcoef permettant de représenter aisément les coefficients d'un modèle statistique sous forme de graphique.

Pour plus de détails, on pourra se référer à la vignette accompagnant le package.

À noter également, une fonction tidy_detailed fournie dans l'extension JLutils et étendant la fonction tidy du package broom. Voir le chapitre consacré à la régression logistique sur analyse-R.

Introduction à l'analyse d'enquêtes avec R

Joseph LARMARANGE — 2013-11-15T16:13:00Z

Cours de 8 heures réalisé dans le cadre du Master 2 Population & Développement de l'université Paris Descartes.

Support de cours

Il a été réalisé à partir d'un document original de Julien Barnier, complété par Joseph Larmarange. Le chapitre sur l'analyse de séquences est une reprise d'un article original de Nicolas Robette. Ce document évolutif, sous licence Creative Commons, est développé sous GitHub : https://github.com/larmarange/intro...

Barnier Julien et Larmarange Joseph (2013) « Introduction à l'analyse d'enquêtes avec R », Support de cours. https://github.com/larmarange/intro-r/tree/CoursM2.

Où couper un dendrogramme ?

Joseph LARMARANGE — 2013-11-03T19:43:41Z

La fonction best.cutree est maintenant disponible dans la package JLutils.

Dans le cadre d'une classification hiérarchique, il n'est pas toujours aisée de déterminer le nombre adéquat de classes à retenir.

Le package FactoMineR, dans le cadre de sa fonction HCPC, suggère d'utiliser la partition ayant la plus grande perte relative d'inertie. La fonction best.cutree ci-dessous permet de calculer ce critère à partir de n'importe quel dendrogramme, qu'il ait été calculé avec hclust ou agnes.

best.cutree <- function(hc, min=3, max=20, loss=FALSE, graph=FALSE, ...){ if (class(hc)!="hclust") hc <- as.hclust(hc) max <- min(max, length(hc$height)) inert.gain <- rev(hc$height) intra <- rev(cumsum(rev(inert.gain))) relative.loss = intra[min:(max)]/intra[(min - 1):(max - 1)] best = which.min(relative.loss) names(relative.loss) <- min:max if (graph) { temp <- relative.loss temp[best] <- NA best2 <- which.min(temp) pch <- rep(1, max-min+1) pch[best] <- 16 pch[best2] <- 21 plot(min:max, relative.loss, pch=pch, bg="grey75", ...) } else { if (loss) relative.loss else best + min - 1 }
}

hc : dendrogramme renvoyé par hclust ou agnes
min : nombre minimum de classes
max : nombre maximum de classes
loss : si égal à TRUE, renverra la liste des pertes d'inertie relatives plutôt que la meilleure partition
graph : si égal àTRUE, affichera un graphique des pertes d'inertie relatives, la meilleure partition étant représentée par un point noir et la seconde par un point gris

Exemples :

R> best.cutree(arbre)
[1] 5 R> best.cutree(arbre,loss=TRUE) 3 4 5 6 7 0.9112290 0.9046093 0.8985344 0.9081087 0.9131271 8 9 10 11 12 0.9223434 0.9542413 0.9569882 0.9626851 0.9667498 13 14 15 16 17 0.9744444 0.9751951 0.9808652 0.9813681 0.9814403 18 19 20 0.9818613 0.9819599 0.9819514 R> best.cutree(arbre,graph=TRUE)

Manipulation de données : quelques mini-fonctions

Joseph LARMARANGE — 2013-11-02T13:41:11Z

Les fonctions na.rm et rm.unused.levels sont maintenant disponibles dans le package questionr (à partir de la version 0.3.0).

Deux petites fonctions pour manipuler un tableau de données sous R.

Suppression des valeurs manquantes

na.rm <- function(x, v=NULL)
{ if (!is.data.frame(x)) x <- as.data.frame(x) # Les variables a traiter sont specifiees ? if (is.null(v)) v <- names(x) # Pour chaque variable specifie, suppression des observations si NA r <- x[complete.cases(x[v]),] return(r)
}

na.rm est similaire à na.omit sauf qu'il est possible de spécifier les variables à prendre en compte.

> df <- data.frame(x = c(1, 2, 3), y = c(0, 10, NA), z= c("a",NA,"b")) > df x y z
1 1 0 a
2 2 10 
3 3 NA b > na.omit(df) x y z
1 1 0 a > na.rm(df) x y z
1 1 0 a > na.rm(df, c("x","y")) x y z
1 1 0 a
2 2 10  > na.rm(df, "z") x y z
1 1 0 a
3 3 NA b

Suppression des modalités inutilisées d'un facteur

rm.unused.levels <- function(x, v=NULL)
{ if (!is.data.frame(x)) x <- as.data.frame(x) # Les variables a traiter sont specifiees ? if (is.null(v)) v <- names(x) # Pour chaque variable de type facteur, supression des levels inutilisés for (i in 1:length(x)) { if (is.factor(x[[i]]) & names(x)[i] %in% v) x[[i]] <- factor(x[[i]]) } return(x)
}

Il arrive parfois que l'on ait des facteurs avec des modalités non utilisées, par exemple après importation d'un fichier d'enquête ou après sélection d'un sous-échantillon. rm.unused.levels permet de ne conserver que les modalités d'un facteur attribuées à au moins une observation.

> df <- data.frame(v1=c("a","b","a","b"),v2=c("x","x","y","y"))
> df$v1 <- factor(df$v1,c("a","b","c"))
> df$v2 <- factor(df$v2,c("x","y","z")) > str(df)
'data.frame':	4 obs. of 2 variables: $ v1: Factor w/ 3 levels "a","b","c": 1 2 1 2 $ v2: Factor w/ 3 levels "x","y","z": 1 1 2 2 > str(rm.unused.levels(df))
'data.frame':	4 obs. of 2 variables: $ v1: Factor w/ 2 levels "a","b": 1 2 1 2 $ v2: Factor w/ 2 levels "x","y": 1 1 2 2 > str(rm.unused.levels(df,"v1"))
'data.frame':	4 obs. of 2 variables: $ v1: Factor w/ 2 levels "a","b": 1 2 1 2 $ v2: Factor w/ 3 levels "x","y","z": 1 1 2 2

Représenter des effectifs dans le plan factoriel

Joseph LARMARANGE — 2013-11-02T12:47:35Z

La fonction s.freq est maintenant disponible dans la package JLutils.

Lorsque l'on réalise une analyse des correspondances multiples (ACM), il n'est pas rare que plusieurs observations soient identiques, c'est-à-dire correspondent à la même combinaison de modalités. Dès lors, ces observations seront projetées sur le même point dans le plan factoriel. Une représentation classique des observations ne permettra pas de rendre des effectifs de chaque point.

Prenons un exemple :

library(questionr)
data(hdv2003)
library(ade4)
acm <- dudi.acm(hdv2003[,c("sexe","sport","bricol","cuisine","cinema")], scannf=FALSE)
s.label(acm$li, clabel=0, cpoint=2)

C'est pourquoi nous avons concocté une petite fonction s.freq
reprenant le principe de s.value mais représentant chaque point par
un carré proportionnel au nombre d'individus identiques.

s.freq <- function(dfxy, xax=1, yax=2, ...) { require(ade4) d <- as.data.frame(table(dfxy[c(xax,yax)])) d <- d[d$Freq>0,] d[1] <- as.numeric(as.character(d[[1]])) d[2] <- as.numeric(as.character(d[[2]])) s.value(d,d$Freq, ...) }

Et voici le résultat :

s.freq(acm$li, csize=0.75)

Joseph Larmarange

Enseigner R sur YouTube en temps de COVID-19 : retour d'expérience des webin-R

Enseigner R sur YouTube en temps de COVID-19 : retour d'expérience des webin R

Résumé

Initier la communauté de recherche à l'analyse d'enquêtes avec R et RStudio : retours d'expériences d'analyse-R et des webin-R

Référence

Reproducible Summary Tables with the gtsummary Package

Reproducible Summary Tables with the gtsummary Package

Authors

Abstract

Links

ggplot2 ou la grammaire des graphiques sous R

Résumé

Référence

Représentation graphique du 90-90-90

Représenter les coefficients d'un modèle avec ggplot2

Introduction à l'analyse d'enquêtes avec R

Support de cours

Où couper un dendrogramme ?

Manipulation de données : quelques mini-fonctions

Suppression des valeurs manquantes

Suppression des modalités inutilisées d'un facteur

Représenter des effectifs dans le plan factoriel