COLINÉARITÉ ET RÉGRESSION LINÉAIRE Thierry FOUCART1 1
variables explicatives Xj et la variable expliquée Y. Le vecteur b = (b1 b2
Variables explicatives indépendantes
Que faire des variables explicatives très corrélées ? Il va sans dire que choisir une méthode statistique de prédiction nécessite dans la plupart des cas une
GLMs : En pratique
Multicolinéarité entre variables explicatives. Page 25. 25. Le problème. Lorsque les variables explicatives sont corrélées entre elles on rencontre plusieurs
La résolution dun problème de multicolinéarité au sein des études
25 avr. 2012 l'une des variables explicatives parmi celles qui sont parfaitement corrélées entre elles. ... variable explicative par variable explicative ...
MODELES LINEAIRES
Cette situation se produit lorsque les variables explicatives sont très corrélées entre-elles. en faisant la régression de chaque variable explicative sur les ...
Les liaisons fallacieuses : quasi-colinéarité et « suppresseur
DEUX VARIABLES EXPLICATIVES PEU CORRÉLÉES AVEC LA. VARIABLE DÉPENDANTE ET TRÈS CORRÉLÉES ENTRE ELLES. La régression simple estime une relation linéaire entre
Les liaisons fallacieuses: quasi-colinéarité et suppresseur
24 févr. 2012 Cet article montre qu'une régression multiple avec deux variables explicatives très corrélées entre elles et dont les corrélations simples ...
Comment bien régresser: La statistique peut-elle se passer d
28 nov. 2011 transformant des variables corrélées en variables non corrélées. ... tout est corrélé dans les variables explicatives et on va quand même essayer.
Correlation et importance des variables dans les forêts aléatoires
La sélection de variables dans un contexte de grande dimension est une tache difficile en particulier lorsque les variables explicatives sont corrélées. L
Régression linéaire multiple : lecture en pratique
Variables Xi très corrélées (multicolinéarité). => pouvoir prédictif OK mais explicatives « ajusté » sur les autres variables explicatives. ▫ Prédiction ...
COLINÉARITÉ ET RÉGRESSION LINÉAIRE Thierry FOUCART1 1
Le facteur d'inflation fj est donc d'autant plus grand que la variable Xj est corrélée à une combinaison linéaire des autres variables explicatives.
CorReg : Préselection de variables en régression linéaire avec
La régression linéaire est pénalisée par l'usage de variables explicatives corrélées situation fréquente pour les bases de données d'origine industrielle
La régression logistique
Régression logistique : variable explicative qualitative Régression logistique : variables explicatives mixtes ... corrélées ou non-corrélées).
Correlation et importance des variables dans les forêts aléatoires
tache difficile en particulier lorsque les variables explicatives sont corrélées. L'algorithme des forêts aléatoires est une méthode tr`es compétitive pour
Comment bien régresser: La statistique peut-elle se passer d
28 nov. 2011 autres variables qui sont en revanche très corrélées entre elles. ... la dispersion de la variable explicative (variance expliquée par le ...
La résolution dun problème de multicolinéarité au sein des études
25 avr. 2012 l'une des variables explicatives parmi celles qui sont parfaitement corrélées entre elles. Ce. 3 Cet article étant prioritairement consacré ...
Introduction à la régression multiple
variables explicatives est grand comparativement au nombre d'observations dans le cas particulier de deux variables X1 et X2 très corrélées
Variables explicatives indépendantes
Que faire des variables explicatives très corrélées ? Il va sans dire que choisir une méthode statistique de prédiction nécessite dans la plupart des cas une
GLMs : En pratique
qu'on a enlevé l'effet des autres variables avec lesquelles elle sont corrélées. Multicolinéarité entre variables explicatives
Sélection de modèle en régression linéaire
variables explicatives c'est le coefficient de corrélation usuel entre Y et sa sur d'autres coefficients car leurs estimateurs sont corrélés.
[PDF] MODELES LINEAIRES
Cette situation se produit lorsque les variables explicatives sont très corrélées entre-elles On parle alors de multi-colinéarité et cela conduit à des
[PDF] Variables explicatives indépendantes - Université Lyon 1
Que faire des variables explicatives très corrélées ? Il va sans dire que choisir une méthode statistique de prédiction nécessite dans la plupart des cas une
[PDF] Chapitre 3 Etude de la liaison entre deux variables Analyse
Deux variables quantitatives sont corrélées si elles tendent à varier l'une en fonction de l'autre On parle de corrélation positive si elles tendent à
[PDF] Chapitre 4 : Régression linéaire
La variable X : variable âge; c'est la variable explicative appelée également régresseur les variables X et Y ne sont pas corrélées linéairement
[PDF] Chapitre 7 MODÈLE LINÉAIRE - Free
MODÈLE DE RÉGRESSION SIMPLE 1 1 Variable explicative et variable expliquée On étudie en régression deux variables quantitatives dont l'une appelée variable
[PDF] Introduction `a léconométrie Notes sur la Régression Multiple
omise qui est incluse dans le terme d'erreur du mod`ele est corrélée avec la variable explicative du mod`ele X Autrement dit l'hypoth`ese
[PDF] COLINÉARITÉ ET RÉGRESSION LINÉAIRE Thierry FOUCART1
Les conséquences de la colinéarité statistique entre les variables explicatives sont les suivantes : - les coefficients de régression estimés peuvent être
[PDF] Lanalyse en composantes explicatives - Numdam
De nombreuses méthodes d'analyse de données ont pour objet l'étude des relations entre un groupe de variables dites explicatives et un autre groupe de
[PDF] 243 Le coefficient de corrélation multiple (ou coefficient de
Quand les variables explicatives sont aussi sujettes à erreur les coefficients estimés par régression sont biaisés Les choses deviennent beaucoup plus
Multicolinéarité dans la régression
Si des variables colinéaires sont de facto fortement corrélées entre elles deux variables corrélées ne sont pas forcément colinéaires En termes non
Quelles sont les variables explicatives ?
Que signifie Variable explicative ? On parle d'une variable explicative lorsque la variable explique la variable expliquée, la variable expliquée étant une variable qu'une théorie cherche à expliquer. Les économistes évaluent la capacité de la variable explicative à expliquer une situation.Comment identifier les variables explicatives ?
Les variables explicatives sont généralement représentées sur l'axe des abscisses.Comment savoir si deux variables sont corrélés ?
Deux variables quantitatives sont corrélées si elles tendent à varier l'une en fonction de l'autre. On parle de corrélation positive si elles tendent à varier dans le même sens, de corrélation négative si elles tendent à varier en sens contraire.- Une variable expliquée est souvent appelée variable endogène et représente une variable qui est expliquée par la théorie ou le modèle que l'on étudie. Elle est provoquée par une ou plusieurs forces internes au système considéré.
Introduction
Régression logistique : variable explicative qualitative Régression logistique : variable explicative continue Régression logistique : variables explicatives mixtesLa régression logistiqueFrédéric Bertrand
1 1IRMA, Université de Strasbourg
Strasbourg, France
4ème année - ESIEA - 06-04-2010
Frédéric BertrandLa régression logistiqueIntroduction
Régression logistique : variable explicative qualitative Régression logistique : variable explicative continue Régression logistique : variables explicatives mixtesRéférencesCe chapitre se base sur
1l"ouvrageComprendre et utiliser les statistiques dans les
sciences de la vie, écrit par Bruno Falissard, Professeur des universités et praticien hospitalier à la faculté de médecine Paris-Sud,2et le syllabus deBiostatisquede l"Université catholique de Louvain, écrit par Philippe Lambert, Professeur à l"Université de Liège. Frédéric BertrandLa régression logistiqueIntroduction
Régression logistique : variable explicative qualitative Régression logistique : variable explicative continue Régression logistique : variables explicatives mixtesExempleTest d"indépendance du2
Rapport des côtes
Intervalle de confianceExemple
Nombre de souris développant une tumeur au poumon après exposition à la fumée de cigarettesGroupeTumeur présente Tumeur absenteTotalContrôle19 1332
Traitement21 223
d"après Essenbergs, Science, 1952. Question :Existe-t-il une corrélation entre le développement de la maladie et l"apparition du cancer? Frédéric BertrandLa régression logistiqueIntroduction
Régression logistique : variable explicative qualitative Régression logistique : variable explicative continue Régression logistique : variables explicatives mixtesExempleTest d"indépendance du2
Rapport des côtes
Intervalle de confianceRemarque
Lorsque nous disposons de deux variables qualitativesXetY, les moyennes et les variances n"existent plus. Par conséquent, les coefficients comme le coefficient de corrélation linéaire ou les rapports définis dans les autres chapitres n"ont plus lieu d"exister. Il ne reste donc qu"un seul élément exploitable :la loi conjointe du couple(X;Y).Frédéric BertrandLa régression logistiqueIntroduction
Régression logistique : variable explicative qualitative Régression logistique : variable explicative continue Régression logistique : variables explicatives mixtesExempleTest d"indépendance du2
Rapport des côtes
Intervalle de confianceÀ partir de cette information, trois questions semblent naturelles et pertinentes : Q1.Les v ariablesXetYsont-elles indépendantes?
Q2.Les distr ibutionsconditionnelles de YsachantX
(respectivementXsachantY) sont-elles homogènes? Q3. La distr ibutiondu couple ( X;Y) est-elle " proche » d"une distribution théorique? Frédéric BertrandLa régression logistiqueIntroduction
Régression logistique : variable explicative qualitative Régression logistique : variable explicative continue Régression logistique : variables explicatives mixtesExempleTest d"indépendance du2
Rapport des côtes
Intervalle de confianceIndépendance entre deux variables Une méthode pour répondre à la première question : " Les variablesXetYsont-elles indépendantes? » consiste : à construire le tableau de contingence associé aux variablesXetYsous l"hypothèse d"indépendance, lequel est obtenu en effectuant le produit des fréquences marginales. Frédéric BertrandLa régression logistiqueIntroduction
Régression logistique : variable explicative qualitative Régression logistique : variable explicative continue Régression logistique : variables explicatives mixtesExempleTest d"indépendance du2
Rapport des côtes
Intervalle de confianceSuite
Puis comparer la distribution empirique, c"est-à-dire celle contenue dans le tableau de contingence, avec la distribution théorique, c"est-à-dire celle obtenue par calcul. L"interprétation résultant de la comparaison de ces deux distributions est alors la suivante :1Si les deux distributions sont identiques, les variablesXet Ysont indépendantes.2Si les deux distributions sont différentes, les variablesXet Yne sont pas indépendantes (elles peuvent être liées, corrélées ou non-corrélées). Frédéric BertrandLa régression logistiqueIntroduction
Régression logistique : variable explicative qualitative Régression logistique : variable explicative continue Régression logistique : variables explicatives mixtesExempleTest d"indépendance du2
Rapport des côtes
Intervalle de confianceRemarque
Pour autant, il est très rare en pratique, même dans le cas de variables réellement indépendantes, d"observer une égalité des distributions théoriques et empiriques et cela pour deux raisons :1du fait que nous observons un échantillon et non pas la population entière2à cause des erreurs de mesure. Frédéric BertrandLa régression logistiqueIntroduction
Régression logistique : variable explicative qualitative Régression logistique : variable explicative continue Régression logistique : variables explicatives mixtesExempleTest d"indépendance du2
Rapport des côtes
Intervalle de confiancePour palier à ce problème, une idée consiste à évaluer la " distance » entre ces deux distributions bidimensionnelles désignées sous les notations ffij:16i6I;16j6Jgetffi:f:j:16i6I;16j6Jg: Cette " distance » est mesurée via la quantité2(I1)(J1)=IX
i=1J X j=1(nijn::fi:f:j)2n ::fi:f:j appelée " distance du2» àddl= (I1)(J1)degrés de liberté. Frédéric BertrandLa régression logistiqueIntroduction
Régression logistique : variable explicative qualitative Régression logistique : variable explicative continue Régression logistique : variables explicatives mixtesExempleTest d"indépendance du2
Rapport des côtes
Intervalle de confianceAinsi, pour répondre à la première question , nous effectuons un test, appelé letest d"indépendance du2, qui permettra de prendre une décision quant à l"hypothèse d"indépendance. Cela revient à tester l"hypothèse d"indépendance : H0:fij=fi:f:j;816i6Iet816j6J;
ou encore H0:fijfi:f:j=0;816i6Iet816j6J;
l"hypothèse nullecontre l"hypothèse de non indépendance H1:fij6=fi:f:j;pour au moins un couple(i;j);
l"hypothèse alternative.Frédéric BertrandLa régression logistiqueIntroduction
Régression logistique : variable explicative qualitative Régression logistique : variable explicative continue Régression logistique : variables explicatives mixtesExempleTest d"indépendance du2
Rapport des côtes
Intervalle de confiancePrincipe du test d"indépendance du2Il consiste à rejeter l"hypothèse nulleH0(c"est-à-dire
l"indépendance des deux variablesXetY) dès que la quantité2(I1)(J1), calculée à partir des données empiriques, est
" trop » grande. En d"autres mots, nous rejetons l"hypothèse nulleH0dès que2(I1)(J1)>c;
oùc>0 est une valeur à déterminer (dans la table du2) en fonction des degrés de liberté et de l"erreur, que le statisticien s"autorise selon le contexte. Cette valeur a souvent été appelée valeur critiquedans ce cours.Dans le cas contraire, nous acceptons l"hypothèse nulleH0.Frédéric BertrandLa régression logistique
Introduction
Régression logistique : variable explicative qualitative Régression logistique : variable explicative continue Régression logistique : variables explicatives mixtesExempleTest d"indépendance du2
Rapport des côtes
Intervalle de confianceRemarque
Cela revient à dire que si la distance du2est " petite », la différence entre les deux distributions n"est pas significative et peut être imputée à des erreurs de mesure. Dans ce cas, nous décidons d"accepter l"hypothèse nulleH0, c"est-à-dire que l"on accepte l"hypothèse d"indépendance entre les variablesXetY. Dans le cas contraire, la différence est jugée significative, et nous décidons de rejeter l"hypothèse nulleH0, c"est-à-dire que nous rejetons l"hypothèse d"indépendance des deux variables XetY.Frédéric BertrandLa régression logistiqueIntroduction
Régression logistique : variable explicative qualitative Régression logistique : variable explicative continue Régression logistique : variables explicatives mixtesExempleTest d"indépendance du2
Rapport des côtes
Intervalle de confianceCondition d"application
Lorsque la taille de l"échantillon est suffisamment grande (de telle sorte que l"effectif théorique, sous l"hypothèse nulleH0, dans chaque colonne dépasse 5, c"est-à-diren::fi:f:j>5), la constantecs"obtient en consultant une table dite de laloi du2. Cette constante varie selon deux paramètres :1l"erreuret2les degrés de libertéddl.
Cette table est une table à double entrée.
Frédéric BertrandLa régression logistiqueIntroduction
Régression logistique : variable explicative qualitative Régression logistique : variable explicative continue Régression logistique : variables explicatives mixtesExempleTest d"indépendance du2
Rapport des côtes
Intervalle de confianceRappel
Nous rappelons que l"erreur, choisie généralement par le statisticien et aussi par le domaine dans lequel sont extraites les données, est appelée l"erreur de première espèce. Elle représente la probabilité de rejeter l"hypothèse nulleH0à tort. Il est important de garder à l"esprit que nous pouvons accepter l"hypothèse nulleH0alors que les deux variables ne sont pas indépendantes. Mais, faute de " preuves » suffisantes, nous acceptons l"hypothèse d"indépendanceH0.Frédéric BertrandLa régression logistiqueIntroduction
Régression logistique : variable explicative qualitative Régression logistique : variable explicative continue Régression logistique : variables explicatives mixtesExempleTest d"indépendance du2
Rapport des côtes
Intervalle de confianceSchéma pratique de la réalisation du test d"indépendance du21Nous nous donnons une erreur(généralementvaut
1%;5%ou 10%en fonction du domaine dans lequel les
données sont traitées).2Nous déterminons leddl= (I1)(J1).3Nous déterminons la valeur critiquecvia la table du2.4Nous calculons le2(I1)(J1).5Nous comparons le2(I1)(J1)à la valeur critiquecet
nous concluons grâce à cette comparaison soit à l"acceptation de l"hypothèse nulleH0soit au rejet de l"hypothèse nulleH0.Frédéric BertrandLa régression logistiqueIntroduction
Régression logistique : variable explicative qualitative Régression logistique : variable explicative continue Régression logistique : variables explicatives mixtesExempleTest d"indépendance du2
Rapport des côtes
Intervalle de confianceRetour à l"exemple
Nombre de souris développant une tumeur au poumon après exposition à la fumée de cigarettesGroupeTumeur présente Tumeur absenteTotalContrôle19 1332
Traitement21 223
d"après Essenbergs, Science, 1952. Question :Existe-t-il une corrélation entre le développement de la maladie et l"apparition du cancer? Frédéric BertrandLa régression logistiqueIntroduction
Régression logistique : variable explicative qualitative Régression logistique : variable explicative continue Régression logistique : variables explicatives mixtesExempleTest d"indépendance du2
Rapport des côtes
Intervalle de confianceRéponse
Pourtesterl"existence de ce lien, il est possible de procéder à un test du2: Les dénombrements attendus sont notés sous les dénombrements observésSuccès Echec Total1 21 2 23
16,73 6,27
2 19 13 32
23,27 8,73
Total 40 15 55
Khi deux = 1,091 + 2,910 + 0,784 + 2,092 = 6,878
DL = 1, c = 3,841
Frédéric BertrandLa régression logistiqueIntroduction
Régression logistique : variable explicative qualitative Régression logistique : variable explicative continue Régression logistique : variables explicatives mixtesExempleTest d"indépendance du2
Rapport des côtes
Intervalle de confianceAvec le logicielR>
+ dimnames=list(c("Traitement","Contrôle"), +c("Tumeur présente","Tumeur absente"))) > Exemple1Tumeur présente Tumeur absente
Traitement 21 2
Contrôle 19 13
> chisq.test(Exemple1,correct=FALSE)Pearson"s Chi-squared test
data: Exemple1X-squared = 6.8781, df = 1, p-value = 0.008726
Frédéric BertrandLa régression logistiqueIntroduction
Régression logistique : variable explicative qualitative Régression logistique : variable explicative continue Régression logistique : variables explicatives mixtesExempleTest d"indépendance du2
Rapport des côtes
Intervalle de confianceSuite de l"exemple avec le logicielRLa ligne de commande sousRpour faire apparaître les valeurs
théoriques pour vérifier que l"effectif dans chaque case est supérieur à 5.Tumeur présente Tumeur absente
Traitement 16.72727 6.272727
Contrôle 23.27273 8.727273
Frédéric BertrandLa régression logistiqueIntroduction
Régression logistique : variable explicative qualitative Régression logistique : variable explicative continue Régression logistique : variables explicatives mixtesExempleTest d"indépendance du2
Rapport des côtes
Intervalle de confianceRemarque
Ce test ne permet pas de déterminer lanaturede ce lien, c"est-à-dire comment sont liées les variations des deux variables.Pour parer à cet inconvénient : Nous utilisonsla régression logistiquequi permet demodéliser la probabilité de succès à l"aide des variables explicatives dont nous disposons. Ceci nous permettra de tester si ceschangements sont significatifs à un niveaudonné.Frédéric BertrandLa régression logistique
Introduction
Régression logistique : variable explicative qualitative Régression logistique : variable explicative continue Régression logistique : variables explicatives mixtesExempleTest d"indépendance du2
Rapport des côtes
Intervalle de confianceRemarque
De même que la régression linéaire (simple ou multiple) est un prolongement de l"étude du coefficient de corrélation linéaire de deux variables quantitatives, de même la régression logistique est une généralisation d"un coefficient servant à évaluer la corrélation de deux variables qualitatives :le rapport des côtes ouodds-ratio.DéfinitionNous appelonscôte du succèsle rapport
exp() =1 oùest la probabilité de succès.Frédéric BertrandLa régression logistiqueIntroduction
Régression logistique : variable explicative qualitative Régression logistique : variable explicative continue Régression logistique : variables explicatives mixtesExempleTest d"indépendance du2
Rapport des côtes
Intervalle de confianceDéfinition
Laprobabilité de succèss"exprime à partir de la côte de succès de la manière suivante : =exp()1+exp()Frédéric BertrandLa régression logistiqueIntroduction
Régression logistique : variable explicative qualitative Régression logistique : variable explicative continue Régression logistique : variables explicatives mixtesExempleTest d"indépendance du2
Rapport des côtes
Intervalle de confianceQuelques exemples de côte Pour fixer les idées voici quelques valeurs de la côte du succès en fonction la probabilité de succès. (Le logarithme de) cettecôte :est(<0)<1 lorsque <0:5.est(=0) =1 lorsque=0:5.est(>0)>1 lorsque >0:5.(! 1)!0 lorsque!0.(!+1)!+1lorsque!1.Frédéric BertrandLa régression logistique
Introduction
Régression logistique : variable explicative qualitative Régression logistique : variable explicative continue Régression logistique : variables explicatives mixtesExempleTest d"indépendance du2
Rapport des côtes
Intervalle de confianceExemple
La probabilité de succès (i.e. celle de développer une tumeur) observée est égale à : ^=4055 =0:73 exp(^) =^1^=0:730:27=2:67 =ln(2:67) =0:98:Frédéric BertrandLa régression logistiqueIntroduction
Régression logistique : variable explicative qualitative Régression logistique : variable explicative continue Régression logistique : variables explicatives mixtesExempleTest d"indépendance du2
Rapport des côtes
Intervalle de confianceLe logarithme du rapport de côtes de succès :1Nous pouvons calculer la côte de succès dans différentes
conditions.2Définition : Lerapport de côtespermet alors d"évaluer l"infuence du facteur considéré : exp(2)exp(1)=exp(21):3Lorsqueest>1 (<1) le succès a une côte supérieure(inférieure) pour le deuxième niveau du facteur.4Lelogarithme du rapport de côtes de succès,21, est
>0 (<0) lorsque le succès a une probabilité supérieure (inférieure) pour le deuxième niveau du facteur. Frédéric BertrandLa régression logistiqueIntroduction
Régression logistique : variable explicative qualitative Régression logistique : variable explicative continue Régression logistique : variables explicatives mixtesExempleTest d"indépendance du2
Rapport des côtes
Intervalle de confianceExemple
La côte de succès (= " développer une tumeur ») observée estégale à :
8>< :Côte(succès|Traitement)=exp(^2) =212 =10:5Côte(succès|Contrôle)=exp(^1) =1913
=1:46:D"où
^ =10:51:46=7:18>1 et ln(^) =^2^1=1:97>0: La côte de succès de la tumeur est supérieure (multipliée par7) lorsque les souris sont exposées à la fumée de cigarettes.
Frédéric BertrandLa régression logistiqueIntroduction
Régression logistique : variable explicative qualitative Régression logistique : variable explicative continue Régression logistique : variables explicatives mixtesExempleTest d"indépendance du2
Rapport des côtes
Intervalle de confianceIntervalle de confiance
Si pour chaque individu, la probabilité de succès est, alors le nombreYde succès parminindividus indépendants suit une loi binomialeB(n;). Ainsi, nous avons :E[Y] =n;Var[Y] =n(1)
E ^=Yn =1nE[Y] =;Var[^] =1n
2Var[Y] =(1)n
Frédéric BertrandLa régression logistiqueIntroduction
Régression logistique : variable explicative qualitative Régression logistique : variable explicative continue Régression logistique : variables explicatives mixtesExempleTest d"indépendance du2
Rapport des côtes
Intervalle de confianceDéfinition
Un intervalle de confiance (dans le cadre d"application de l"approximation de la loi binomiale par une loi normale) à 95% pourest donné par : ^1:96r^(1^)n Frédéric BertrandLa régression logistiqueIntroduction
Régression logistique : variable explicative qualitative Régression logistique : variable explicative continue Régression logistique : variables explicatives mixtesExempleTest d"indépendance du2
Rapport des côtes
Intervalle de confianceRetour à l"exemple
Dans l"exemple, nous souhaiterions comparer les probabilités1et2de développer une tumeur sous et sans exposition à la
fumée de cigarettes et déterminer si elles sont significativement différentes. Cela reviendrait à déterminer s"il existe un lien entrele développement de la tumeur et le facteur risque considéré.Nous pouvons déjà répondre à cette question en construisant
un intervalle de confiance à 95%pour12: (^1^2)1:96s^1(1^1)n1+^2(1^2)n
2Frédéric BertrandLa régression logistique
Introduction
Régression logistique : variable explicative qualitative Régression logistique : variable explicative continue Régression logistique : variables explicatives mixtesExempleTest d"indépendance du2
Rapport des côtes
Intervalle de confianceRetour à l"exemple : application numériqueCalculons l"intervalle de confiance :
21=2319=32
1:96r21=23(121=23)23
+19=32(119=32)32 Donc, nous remarquons 062(0:114;0:524):Nous en déduisons que la différence12est significativement écartée de 0 au seuil=5%. Ainsi nous savons non seulement que la fumée de cigarettes a un effet significatif sur le nombre de cancers développés mais surtout nous avons quantifié cet effet. Frédéric BertrandLa régression logistiquequotesdbs_dbs29.pdfusesText_35[PDF] multicolinéarité économétrie
[PDF] comment résoudre le problème de multicolinéarité
[PDF] multicolinéarité vif
[PDF] multicolinéarité spss
[PDF] fonction vif r
[PDF] facteur dinflation de la variance
[PDF] epicerie solidaire marseille
[PDF] bordereau colissimo imprimer
[PDF] tarif colissimo
[PDF] colissimo international
[PDF] suivi colissimo
[PDF] pédagogie travail collaboratif
[PDF] relation de travail entre collègues
[PDF] collaboration interprofessionnelle infirmière