Chapitre 4 : Régression linéaire
Remarque : La régression di ère de l'analyse de la corrélation où toutes les variables jouent un rôle symé- trique (pas de variable dépendante versus
Modèles de régression linéaire
1 avr. 2010 cédure de régression linéaire multiple puis deux procédures de régression linéaires simples
13 Régression linéaire simple
Il y a 3 tests possibles pour une régression linéaire simple (une seule variable explicative). ;. • un test pour le coefficient β1 par la table de l'analyse de
MODELES LINEAIRES
Selon la forme de la matrice X on est dans le cas de la régression linéaire (X est alors composée de la variable constante 1 et des p variables explicatives)
Régression linéaire simple
Ce chapitre est une introduction à la modélisation linéaire par le modèle le plus élémentaire la régression linéaire simple où une variable X est ex-.
Premi`eres notions de statistique Régression Linéaire
aléatoires. F. Picard 11/59. Page 12. Généralités. Régression. Régression Linéaire. Régression simple. Tests. Table ANOVA. Résidus. Régression Multiple.
Régression linéaire multiple
Considérer plusieurs variables explicatives. Exemple : La température et la vitesse du vent. Frédéric Bertrand. Régression linéaire multiple. Page
Régression linéaire avec la calculatrice TI-Nspire
Utilisons la calculatrice TI-Nspire pour vérifier par régression linéaire la loi d'Arrhénius et déterminer la valeur de l'énergie d'activation d'une
Compléments sur la régression linéaire simple et inférence sur les
12 juin 2015 mesure le pourcentage d'explication du modèle par la régression linéaire. 2. Le rapport cmres = scres n − 2 est l'estimation de la variance ...
Régression sur variables qualitatives Analyse de la variance
Solution : contrainte linéaire identifiante sur les cœfficients → reparamétrisation du mod`ele. 1. Contrainte de type analyse par cellule : µ = 0. On pose
Chapitre 4 : Régression linéaire
Remarque : La régression di ère de l'analyse de la corrélation où toutes les variables jouent un rôle symé- trique (pas de variable dépendante versus
13 Régression linéaire simple
Il y a 3 tests possibles pour une régression linéaire simple (une seule variable explicative). ;. • un test pour le coefficient ?1 par la table de l'analyse de
Régression linéaire simple
Ce chapitre est une introduction à la modélisation linéaire par le modèle le plus élémentaire la régression linéaire simple où une variable X est ex-.
Premi`eres notions de statistique Régression Linéaire
5 Tests intervalles de confiance
Fiche synthèse sur la régression linéaire simple.pdf
26 mars 2010 L'analyse de régression linéaire simple permet de quantifier le lien de causalité entre deux variables pour entre autre
Corrélation et régression linéaire simple
En statistique le terme de corrélation est réservé pour désigner la liaison entre 2 variables QUANTITATIVES (le plus souvent continues). Corrélation /
Interpréter les coefficients dune régression linéaire Modèle niveau
Pour des raisons pédagogiques nous utiliserons une application de la régression linéaire par moindres carrés afin d'apprendre à interpréter les
Régression linéaire simple dans Excel
L'analyse de régression linéaire simple permet de quantifier le lien de causalité entre deux variables pour entre autre
COLINÉARITÉ ET RÉGRESSION LINÉAIRE Thierry FOUCART1 1
Les conséquences de la colinéarité statistique entre les variables explicatives sont les suivantes : - les coefficients de régression estimés peuvent être
Régression linéaire
Régression linéaire. Arnaud Guyader. Ce cours est tiré des quatre premiers chapitres du livre de Pierre-André Cornillon et Eric Matzner-.
[PDF] Chapitre 4 : Régression linéaire
Chapitre 4 : Régression linéaire I Introduction Le but de la régression simple (resp multiple) est d'expliquer une variable Y à l'aide d'une variable X
[PDF] Régression linéaire - LPSM
Régression linéaire Arnaud Guyader Ce cours est tiré des quatre premiers chapitres du livre de Pierre-André Cornillon et Eric Matzner-
[PDF] Régression linéaire simple
Ce chapitre est une introduction à la modélisation linéaire par le modèle le plus élémentaire la régression linéaire simple où une variable X est ex-
[PDF] 13 Régression linéaire simple - Université du Québec
La régression linéaire est une méthode de modélisation permettant d'établir une rela- tion linéaire entre une variable continue dite "variable expliquée" ou
[PDF] 12 Régression linéaire simple - GERAD
Régression linéaire simple 3 Estimation des param`etres 4 Intervalles de confiance et tests 5 Analyse des résidus 6 Corrélation
[PDF] Modèles de régression linéaire
1 avr 2010 · Master Statistique Appliquée Mention Statistique pour l'Entreprise Modèles de régression linéaire Magalie Fromont Renoir
[PDF] Cours : Régression Linéaire simple et multiple
étudierons la régression linéaire multiple qui représente la relation linéaire entre une variable endogène et plusieurs variables exogènes
[PDF] Introduction à la Régression Linéaire - BioSP
logistique analyse de la variance régression linéaire Estimation : description de l'influence Régression linéaire : On suppose que pour tout i :
[PDF] REGRESSION LINEAIRE
Regression linéaire Nous allons étudier ici un modèle statistique d'usage fréquent : la régression linéaire De nombreux modèles
Chapitre 7 : LA REGRESSION LINEAIRE
7 1 LE CALCUL DE LA DROITE DE REGRESSION Y=aX+b Un exemple pédagogique de régression linéaire Pour rendre les choses plus claires nous partirons d'un exemple
GeneralitesR egressionR egressionLin eaireR egressionsimple T estsT ableANO VAR esidusR egressionMultiple
Premieres notions de statistique
Regression Lineaire
Franck Picard
UMR CNRS-5558, Laboratoire de Biometrie et Biologie Evolutive franck.picard@univ-lyon1.frF. Picard, 1/59
GeneralitesR egressionR egressionLin eaireR egressionsimple T estsT ableANO VAR esidusR egressionMultiple
Outline
1Principe generaux et typologie des modeles lineaires
2Qu'est ce qu'un modele de regression ?
3Qu'est ce qu'un modele de regression \lineaire"?
4Le modele de regression lineaire simple
5Tests, intervalles de conance, et prediction
6Decomposition de la variance
7Analyse des Residus
8Regression Lineaire Multiple
F. Picard, 2/59
GeneralitesR egressionR egressionLin eaireR egressionsimple T estsT ableANO VAR esidusR egressionMultiple
Preambule
Une des strategies les plus utilisee pourplanierdes experiences et/ouanalyserleurs resultats Les modeles lineaires permettent une modelisation \simple" des relations entre une variablea expliquer, souvent noteeY, et des variables explicativessouvent noteesX(et souvent appelees covariables). Exemple: la taille des lles et des garcons est-elle la m^eme ? le salaire depend-il de l'age ? le medicament a-t-il un eet ? Le geneA predispose-t-il a la maladie M ?
Historiquement, le modele lineaire a ete developpe parFisher, avec applications en genetique et en agronomieF. Picard, 3/59
GeneralitesR egressionR egressionLin eaireR egressionsimple T estsT ableANO VAR esidusR egressionMultiple
Modele Lineaire Gaussien et Modeles Lineaires GeneralisesQuelledistributionpour
modeliser les observations ?Importance de l'analyse
descriptiveModele lineaire gaussienpour
des observations pouvant ^etre modelisees par une loi normaleModele lineaire generalise
pour d'autres distributions (Poisson, Bernoulli...)F. Picard, 4/59
GeneralitesR egressionR egressionLin eaireR egressionsimple T estsT ableANO VAR esidusR egressionMultiple
Modeles pour les observations (in)dependantes
Le modele lineaire gaussien pour
des observations qui independantesSeries chronologiques et
modeles dedependance temporelle statistique spatiale pour modeliserdependance spatialeLesmodeles lineaires mixtes
permettent egalement de modeliser certains types de dependanceF. Picard, 5/59
GeneralitesR egressionR egressionLin eaireR egressionsimple T estsT ableANO VAR esidusR egressionMultiple
Elements de vocabulaire courant (et pertinent ?)
L'ANOVA se caracterise par des variables explicatives discretes ou categorielles ouqualitatives(ex: Fille/Garcon, medicament A-B ou C) La Regression se caracterise par des variables explicatives continues ouquantitatives(ex: l'age, le poids) L'ANCOVA se caracterise par un melange de variables qualitatives et quantitatives Il existe egalement des facteurs ditsordinaux: facteurs discrets ordonnes.Ces trois modeles sont des modeles lineaires et se traitent de maniere similaire: d'un point de vuemathematiqueetpratiqueil n'y a pas de dierenceF. Picard, 6/59
GeneralitesR egressionR egressionLin eaireR egressionsimple T estsT ableANO VAR esidusR egressionMultiple
Outline
1Principe generaux et typologie des modeles lineaires
2Qu'est ce qu'un modele de regression ?
3Qu'est ce qu'un modele de regression \lineaire"?
4Le modele de regression lineaire simple
5Tests, intervalles de conance, et prediction
6Decomposition de la variance
7Analyse des Residus
8Regression Lineaire Multiple
F. Picard, 7/59
GeneralitesR egressionR egressionLin eaireR egressionsimple T estsT ableANO VAR esidusR egressionMultiple
Premieres notations
On suppose que l'on dispose denobservations (y1;:::;yn) que l'on modelise par des variables aleatoires gaussiennesindependantes (Y1;:::;Yn):Yi N(i;2). On suppose que la variance de toutes les observations est la m^eme : c'est l'hypothese d'homoscedasticite(2est constante). On observe egalement des covariables (x1;:::;xn),sur les m^emes individus. Les donnees dont on dispose sont en fait lescouples (yi;xi)i. Exemples : le poidsyid'une personneiet sa taillexi, le rendement d'une cultureyiet la dose d'engraisxi.Pour un modele lineaire \standard" on suppose que lesYisont aleatoireset que lesxisontxeesF. Picard, 8/59GeneralitesR egressionR egressionLin eaireR egressionsimple T estsT ableANO VAR esidusR egressionMultiple
Notion d'esperance conditionnelle
Une strategie de modelisation pour etudier les relations entreyietxi est de supposer que les covariables ont une in uence sur l'esperance desYi On modelise l'esperance deYiconditionnellementaux valeurs observees desXiaxi: Y ijfXi=xig N((xi);2) (xi) =E(YijXi=xi) =Z y ifYjX(yi;xi)dy (xi) s'appelle lafonction de regression: c'est la fonction qui relie lesxiaux observations. Ce que l'on neglige en considerant l'esperance conditionnelle, c'est la variabilite des covariables que l'on suppose xees.F. Picard, 9/59
GeneralitesR egressionR egressionLin eaireR egressionsimple T estsT ableANO VAR esidusR egressionMultiple
Et la variance conditionnelle ?
Qu'en est-il de la relation entre les covariables et la variance desY?On noteV(YijXi=xi) cette variance conditionnelle
V(YijXi=xi) =E(Y2ijXi=xi)E2(YijXi=xi)Dans le modele lineaire gaussien on suppose que la variabilite des
observationsYine depend pas des covariablesV(YijXi=xi) =2 Exemple: la variabilite de la taille des lles est la m^eme que la variabilite de la taille des garcons. Ce n'est pas forcement une hypothese realiste, mais elle permet de faire les calculs Il existe des strategies pour \stabiliser" la variance (methode delta)F. Picard, 10/59GeneralitesR egressionR egressionLin eaireR egressionsimple T estsT ableANO VAR esidusR egressionMultiple
Denition des variables residuelles
Jusqu'a present, le modele s'ecrivait :YijfXi=xig N((xi);2)On peut considerer la nouvelle variable
i=YiE(YijXi=xi) N(0;2) C'est l'ecart entre l'observationYiet son esperance conditionnelle. "iestresidu aleatoire: c'esterreur aleatoireque l'on commettrait en remplacantYipar(xi). On propose une autre ecriture du modele lineaire gaussien: Y i=(xi) +"i; "iiidN(0;2) Le parametre2s'interprete comme lavariabilite des erreurs aleatoiresF. Picard, 11/59
GeneralitesR egressionR egressionLin eaireR egressionsimple T estsT ableANO VAR esidusR egressionMultiple
Outline
1Principe generaux et typologie des modeles lineaires
2Qu'est ce qu'un modele de regression ?
3Qu'est ce qu'un modele de regression \lineaire"?
4Le modele de regression lineaire simple
5Tests, intervalles de conance, et prediction
6Decomposition de la variance
7Analyse des Residus
8Regression Lineaire Multiple
F. Picard, 12/59
GeneralitesR egressionR egressionLin eaireR egressionsimple T estsT ableANO VAR esidusR egressionMultiple
Quelle forme pour la fonction de regression ?
Le modeleE(YijXi=xi) =(xi) est tres general, et on ne connait pas forcement la forme de la fonction Le cadre de laregression fonctionnelles'interesse a l'estimation de la fonctiondirectement Dans le modele lineaire, on fait deshypotheses supplementaires sur la forme de: 1On supp oseque depend deparametres= (0;:::;p).p
represente le nombre de covariables disponibles 2 On supp oseque est unefonction aneDans un modele lineaire on supposera que (xi) =0+1xi, et que (0;1) sontxes mais inconnusF. Picard, 13/59GeneralitesR egressionR egressionLin eaireR egressionsimple T estsT ableANO VAR esidusR egressionMultiple
Illustration de la Regression Lineaire
F. Picard, 14/59
GeneralitesR egressionR egressionLin eaireR egressionsimple T estsT ableANO VAR esidusR egressionMultiple
Variables et Parametres
En faisant l'hypothese que(xi) =0+1xi, on a reformule le probleme de l'explication deYiparxi. En choisissant la forme de la fonction de regression, on peut se focaliser sur les parametres (0;1) Etudier les liens entreYetxrevient desormais a etudier les parametres du modele (estimation, test).Si1= 0, alors on supposera quexn'a pas d'in
uence surYOn interpretera1commel'eet de la covariablexsur la reponse Y.F. Picard, 15/59GeneralitesR egressionR egressionLin eaireR egressionsimple T estsT ableANO VAR esidusR egressionMultiple
Regression Lineaire / Regression Non Lineaire
La linearite du modele lineaire concerne lesparametreset pas forcement lesvariables Exemples :(x) =0+1cos(x) est une fonction lineaire en0;1 mais pas enx,(x) =xexp(0)=(0+1) n'est pas lineaire en les parametres, mais elle est lineaire enx Dans certaines situations on peut se ramener a un modele lineaire par transformations. Exemples (x) =0exp(1x) (x) =0x1 (x) =0+1=xAttention aux transformations ! Il faut adapter l'interpretation des parametres !F. Picard, 16/59
GeneralitesR egressionR egressionLin eaireR egressionsimple T estsT ableANO VAR esidusR egressionMultiple
Regression Lineaire Simple / Regression Lineaire Multiple La regressionlineaire simpleconsiste a etudier la relation ane entreYet un seul regresseurx La regressionlineaire multiples'interesse aux relations entreYiet plusieurs regresseurs On noteraxjle regresseurj, etxijson observation sur l'individui. On associe axjle parametrejcommun a tous les (x1j;:::;xnj). La fonction de regressiondepend depregresseurs (x1;:::;xp): (x1;:::;xp) =0+pX j=1 jxj js'interpretera comme l'eet de la covariablexj.F. Picard, 17/59GeneralitesR egressionR egressionLin eaireR egressionsimple T estsT ableANO VAR esidusR egressionMultiple
Regresion / ANOVA, m^eme combat !
On considere souvent que la regression se limite au cas ouxest quantitatif, mais elle peut se generaliser au cas ouxest discret Si est une variable discrete :xi= 1 si l'individuiest un garcon, 0 sinon. On utilise la notation 1A= 1 si l'evenementAest realise, 0 sinon On s'interesse au poidsYides individus en fonction de leur genre, et on peut denir la fonction de regression suivante: (x) =0+11fx=1g+21fx=0gLa regression peut donc considerer des facteurs quantitatifsET qualitatifs. Par contre, elle est contrainte ce que la distribution de la reponse soit gaussienne.F. Picard, 18/59
GeneralitesR egressionR egressionLin eaireR egressionsimple T estsT ableANO VAR esidusR egressionMultiple
Outline
1Principe generaux et typologie des modeles lineaires
2Qu'est ce qu'un modele de regression ?
3Qu'est ce qu'un modele de regression \lineaire"?
4Le modele de regression lineaire simple
5Tests, intervalles de conance, et prediction
6Decomposition de la variance
7Analyse des Residus
8Regression Lineaire Multiple
F. Picard, 19/59
GeneralitesR egressionR egressionLin eaireR egressionsimple T estsT ableANO VAR esidusR egressionMultiple
Contexte et objectifs - 1
On observe 2 caracteristiques quantitativesyetxsur une population denindividus. Les donnees sont donc sous la forme de couples (yi;xi)i. On suppose qu'il existe unerelation aneentreyetx, qui depend de deux parametres (0;1): (x) =0+1x On suppose egalement que les observations sont des realisations de variables aleatoires gaussiennes i.i.d, telles que Y ijXi=xi N(0+1xi;2) On introduit les variables d'erreuraleatoires"i, independantes, gaussiennes centrees de variance2constanteF. Picard, 20/59GeneralitesR egressionR egressionLin eaireR egressionsimple T estsT ableANO VAR esidusR egressionMultiple
Contexte et objectifs - 2
Le modele de regression simple s'ecrit:
Y i=0+1xi+"i; "ii.i.d.N(0;2)0represente la valeur moyenne des observationsYiquandxi= 0
(interpretation ?)1represente lapente de la droite de regression, et correspond a
quotesdbs_dbs42.pdfusesText_42[PDF] régression statistique
[PDF] nuage de points statistique
[PDF] exercice covariance statistique corrigé
[PDF] psychologie et pédagogie jean piaget
[PDF] pédagogie et éducation différence
[PDF] spallation cosmique
[PDF] nucléosynthèse primordiale
[PDF] la personne que j'admire le plus est ma mere
[PDF] nucléosynthèse des éléments chimiques
[PDF] nucléosynthèse interstellaire
[PDF] nucléosynthèse dans les étoiles
[PDF] nucléosynthèse explosive
[PDF] nucléosynthèse stellaire pdf
[PDF] recettes du 18ème siècle