SlideShare une entreprise Scribd logo
1  sur  17
Télécharger pour lire hors ligne
 la relation doit être linéaire
 Les variables explicatives (variables indépendantes) et la variable à expliquer (variable
dépendante) sont indépendantes
 Les variables explicatives sont indépendantes entre elles.
 Les variables indépendants ne doivent pas avoir de relation linéaire parfaite elles
( pas de multicolinéarité parfaite)
 la distribution de la variable à expliquer y et les variables explicatives x₁, x₂, x₃,…..xp
suivent une loi normale dans le cas où l’une de ces dernières est continue.
 Un bon modèle de régression comprend un nombre optimal de variables indépendantes,
cela signifie qu’il faut prendre les meilleurs variables indépendante en vue d’une
prédiction fiable.
 Le modèle doit prendre en compte des variables énoncées dans les objectifs
 Une variable indépendante pourrait être exclue du modèle si le degré d’association avec
la variable indépendante n’est pas assez fort.
Conditions d’utilisation de l’analyse de régression
linéaire multiple
x₁
x₂
x₃
xp
Y
Variable
dépendante
VI 1
VI 2
VI 3
VI P
• Il est possible d’utiliser l'équation de régression pour pouvoir prédire les
données de la variable dépendante dont les mesures n'ont pas encore été
obtenues ou pourraient être difficiles à obtenir.
 La régression nous donne un pas au-delà de la corrélation qui s’intéresse seulement à
la force de l'association, mais nous voulons être en mesure de décrire sa nature avec
une précision suffisante pour pouvoir faire des prédictions, Pour être en mesure
d’accomplir cette tache, nous devons être capables de définir les variables
indépendantes et la variable dépendante dans le cas de la régression multiple. Cette
dernière est plus complète et plus sophistiquée.
L'objectif général de la régression multiple est de tester la relation qui existe entre
plusieurs variables indépendantes (quantitatives et/ou qualitatives ) et une variable
dépendante (quantitative et continue) .
VI= Variable Indépendante
Y
Variable
dépendante
VI
Simple régression
Multiple régression
Relations entre VI
à éviter
Pour atteindre cet objectif, on doit se référer à l’équation de régression.
a₁ : la pente de la variable 1
a₂ : la pente de la variable 2
a₃ : la pente de la variable 3
ap : la pente de la variable p
x₁ : la variable indépendante 1
x₂ : la variable indépendante 2
x₃ : la variable indépendante 3
xp : la variable indépendante p
b: la constante
Ɛ : erreur
y: la variable dépendante
En termes plus clairs, la relation entre x1, x2, x3…xp et y est matérialisée par une
ligne droite dont les pentes sont « a₁, a₂, a₃, … ap » et la constante est b .
• Les variables
 x₁, x₂, x₃,….,xp = Variables explicatives continues ou
catégorielles (variables indépendantes)
 y = la seule variable à expliquer continue (variable
dépendante) . Y représente les valeurs possibles de la
variable dépendante qui peuvent être expliquées par le
modèle général de régression. Par contre Ɛ ne peut être
expliquée par ce même modèle,
Cette équation de la droite exprime une relation linéaire entre et , la
valeur de la variable dépendante (y) est fonction de la valeur de la ou des
variable(s) indépendante(s) (x), y=f(x).
•Régression multiple / 2 ou plusieurs variables indépendantes (x₁, x₂,x3,x4) sont
associées à une seule variable dépendante (y) tel que
y= a₁x₁+ a₂x₂+ a3x3+ a4x4 + b
1ère exemple
température intérieure (ti)=f[température extérieure (te) , humidité relative (H%),
vitesse de l’aire, l’isolation thermique ].
ti= a₁(te)+ a₂(H%)+ a₃(va) + a4(it)+ b
2ème exemple
Revenu (y)= a₁ (expérience en année)+ a₂ ( niveau scolaire en année)+ b
Exemples de régression multiple
La méthode de régression nous guide vers
la manière d’introduire les variables dans le
modèle de régression.
A- La régression hiérarchique
B- La régression avec entrée forcée : toutes
les variables sont entrées simultanément.
C- La régression avec entrée progressive:
1. la méthode pas-à-pas (stepwise)
2. descendante (backward): la variable ayant la plus faible contribution au
modèle est éliminée du modèle automatiquement si la variation
du R2 n’est pas significative.
3. la méthode ascendante (forward)
Habituellement, la méthode Entrée est utilisée à moins d'a priori théoriques
particuliers. (a première variable indépendante soit incluse dans le modèle).
Nous allons donc voir maintenant comment il est possible de prédire la variance
d’une variable dépendante y à l’aide d’une combinaison linéaire de variables
indépendantes x1, x2, x3,…..xp
Hypothèse nulle
L’hypothèse nulle: il n’y a pas de relation linéaire entre la combinaison
des variables prédicteurs (x1, x2, x3… xp) et la variable à prédire (Y).
Hypothèse alternative
L’hypothèse alternative (ou de recherche): l’association combinée des
variables indépendantes est statistiquement significative à la variable
dépendante (l’observation).
Variable dépendante y (Résultat)
La moyenne d'espérance de vie d'un homme
Variable indépendant x1
Les personnes qui lisent (%)
Variable indépendant x2
Apport calorique quotidien
Variable indépendant x3
Produit intérieur brut / capita
L’hypothèse nulle
Il n’y a pas de relation linéaire entre la combinaison des variables
indépendantes « les personnes qui lient », «l’apport calorifique quotidien »,
«le produit intérieur brut » et la variable dépendante « la moyenne
d’espérance de vie d’un homme ».
L’hypothèse alternative
Il y a une relation linéaire significative entre la combinaison des variables
indépendantes « les personnes qui lient », «l’apport calorifique quotidien », « le
produit intérieur brut » et la variable dépendante « La moyenne de l’espérance de vie
d’un homme ».
Utilisons l’analyse de régression multiple….
1
…. dans le but de tester la relation qui
pourrait exister entre les 3 variables
prédicteurs ensemble pour prédire la
moyenne de l’espère de vie d’un
hommes.
Les variables indépendantes et la variable
dépendante sont insérées séparément dans des
boites différentes : la variable dépendante dans
«Dépendant:» et les variables indépendantes
dans « Variables indépendantes: »
Pour « la méthode de régression »,
Choisir « Entrée » , ici toutes
les variables sont entrées
simultanément. . C’est la méthode
standard .
 Appuyez sur l’option « statistiques » et cocher
 comme indiquer puis poursuivre .
 Mesure et corrélations partielles : Corrélation entre chaque
VI et la VD. Corrélation partielle entre chaque VI et VD
Tests de colinéarité : évaluation de la multicolinéarité
dans l’analyse (Variance Inflation Factor ). variables
indépendantes ne doivent pas être parfaitement associées entre elles
d’où les corrélations ne doivent pas être trop fortes ou la
multicolinéarité parfaite n’est recommandée. Ceci est vérifié par le
VIF. Si, arbitrairement, VIF<10, notre modèle est à l’abri de ce
Qualité de l’ajustement: le test pour évaluer l’ensemble du
modèle (F), le R multiple, le R2 correspondant et le R2 ajusté,
 Variation de R-deux: changement du R2 après l’ajout d’un
nouveau bloc de VI
 Estimations: la constante b pour toutes les variables
indépendantes et le test de signification
 Intervalles de confiance à 95%
2
 Appuyez sur l’option « Diagrammes »
- Insérer dans le camps Y * ZRESID (résiduel)
- Insérer dans le champs X *ZPRED (Prédiction)
- Diagramme de répartition gaussien
- Poursuivre
 Appuyez sur l’option « Options »
3
Cocher « Exclure seulement les composantes non
valides », C-à-d que tout sujet, qui manque une des
variables, qu’elle soit indépendant ou dépendante, sera
exclu de l’analyse .
 Pour l’option « Enregistrer », on garde ce qui est
par défaut.
Cliquer sur OK,
4
Remarque: la version la plus simple de la régression multiple consiste à garder toutes les
options telles qu’elles se présentent par défaut. En d’autres termes, ne rien toucher aux
options, insérer uniquement les variables dans leurs champs correspondants. C’est une
méthode assez acceptable pour la majorité des régressions multiples.
Cette analyse de corrélation ne fait pas parti du test de régression multiple.
Dans ce tableau, le résultat de l’analyse de corrélation simple. Nous pouvons dire que la corrélation
entre la VD et chaque VI est très forte (0.765,0.639, 0.809) et la relation est aussi très significative
(.000 <0,05). Aussi les corrélation entre les VI ne sont pas très élévées , inférieur à 0.7 , sauf pour un
seul cas.
3
Test de corrélation
VD
VI
Analyse de corrélation simple entre la VD et chaque variable indépendante (VI)
5
Grâce à ce tableau, nous pouvons vérifier nos hypothèses , VD et les VI , si elles sont fortement
corrélées ou non.
La base de données
Dans ce tableau, toutes les 3 VI sont indiquées.
Ce qui nous intéresse ici R et R² :
R= coefficient de corrélation de la régression multiple . C’est l’association de toutes les variables
indépendantes . Il est très élevé (0.862). Cela signifie que les VI prédisent la variable
dépendante ( R est global, il se pourrait qu’une VI ne contribue pas au résultat, donc il faut voir
le tableau « Coefficients » pour se rendre compte).
R²=0.744 (=74.4%). Ce coefficient indique de combien les 3 VI ont agi sur la VD. Dans ce cas, les
3 VI ensembles expliquent la VD dans un fort pourcentage de 74.4.
La variable à prédire (VD)
6
Avec la très faible valeur de la probabilité, on peut dire que
le modèle de régression s’adapte bien p-value=0.000 <0.05
et que la prédiction n’est pas due au hasard.
Tests de colinéarité :
 le VIF < 10 « Variance Inflation Factor », donc avec ces
mesures, nous pouvons dire que la multicolinéarité n’est pas
de rigueur. Les variables indépendantes ne doivent pas être
parfaitement associées entre elles. Cela est exigée par
notre modèle.
 La tolérance > 0.10, les valeurs indiquées sur le tableau
sont supérieures à 0.10. Ces mesures aussi indiquent que
la multicolinéarité n’est pas de rigueur.
 Si une VI a ses indices non conformes à ce qui est exigé,
alors il faut la supprimer ou la remplacer par une autre.
 Dans la colonne A , nous avons la constante b=32.430 si
x=0, et les pentes a1=0,005,a2=0.000, a3=0.215.
 On peut faire appel à l’équation de régression multiple pour
rédire les différente y de la VD.
 Toutes les VI ont une relation significative avec VD , sauf
VD , « Produit intérieur brut », Sig = 0.289 > 0,05.
Cela signifie que cette variable ne contribue pas
significativement à la prédiction du résultat obtenu (VD).
 Aussi Bêta cette variable « Produit intérieur brut » est
0.098, cela signifie qu’il n’a pas de contribution de celle-ci à
la prédiction du résultat, à l’inverse des 2 autres variables
0.330 et 0.529 (on fait abstraction du signe).
7
On continue notre interprétation
Une autre information utile les corrélations
 Corrélation partie de chaque VI: cela montre la contribution de chaque VI à la corrélation totale R (0.862, coefficient
de la régression multiple indiquée dans le tableau « récapitulatif des modèles »). D’où si, par exemple, on retire la VI« Les personnes qui
lisent » du modèle, la corrélation totale va diminuer. Ainsi, 0.386 [coefficient individuel (partie)] de la VI « Les personnes qui lisent »]
retranché de 0.744, on aura donc 0.744 - 0.386= 0.358, d’où l’intensité de la corrélation totale a considérablement diminué, R²= 0.358 est
sa nouvelle valeur. Les 2 VI restantes participent à la prédiction du résultat que de 35.8% .
 Aussi, si on porte 0.386 au carré (0.386)² =0.148 , cela signifie que cette corrélation individuelle participe à 14.8 % à l’explication du
résultat final (VD) « Moyenne d’espérance de vie d’un homme » .
 Il faut aussi noter que la somme des corrélations parties n’est pas égale à R² = 0,744 car la régression multiple prends en compte la
combinaison de toutes les VI prédire le résultat.
 Par ailleurs comme vous pouvez le voir R de la VI « Produit intérieur brut/capitat » est très significatif (0.639) qui dénote l’existence
d’une forte corrélation entre cette variable et la VD « Moyenne d’espérance de vie d’un homme » , prises séparément mais ce même R
est très faible (0.065) dans le modèle de régression multiple , cela signifie que cette variable n’est plus significativement associée à dans
le cadre de la régression multiple. Pourquoi ? la régression multiple prends en compte la combinaison de toutes les VI ensemble et
non séparées pour prédire le résultat. Cela est une façon plus fiable en comparaison avec les VI prises séparément.
On peut dire à la fin que les 2 VI « Apport calorifique quotidien » (0.002 < 0.05) et « Les personnes qui lisent »
(0.000 < 0.05) ont une contribution statistiquement significative à la prédiction des résultats alors que la VI « Produit
intérieur brut » (0.289 > 0.05) n’a pas de contribution statistiquement significative au modèle .
Aussi, le modèle tout entier a une corrélation multiple de 0.862 , ce qui est une grande valeur et une amélioration
substantielle par rapport à la corrélation de chaque VI prise séparément. ( 0.91, 0.065, 0.386)
8
Analyse de régression multiple

Contenu connexe

Tendances

Test de corrélation simple et test de Normalité
Test de corrélation simple  et  test de Normalité  Test de corrélation simple  et  test de Normalité
Test de corrélation simple et test de Normalité Adad Med Chérif
 
Test t de student pour des échantillons indépendants
Test  t  de student  pour  des échantillons indépendants Test  t  de student  pour  des échantillons indépendants
Test t de student pour des échantillons indépendants Adad Med Chérif
 
Regress lineaire simple imp
Regress lineaire simple impRegress lineaire simple imp
Regress lineaire simple impKhawla At
 
T test sur des échantillons appariés avec test de normalité
T test sur des  échantillons appariés  avec  test de normalité T test sur des  échantillons appariés  avec  test de normalité
T test sur des échantillons appariés avec test de normalité Adad Med Chérif
 
Regression lineaire Multiple (Autosaved) (Autosaved)
Regression lineaire Multiple (Autosaved) (Autosaved)Regression lineaire Multiple (Autosaved) (Autosaved)
Regression lineaire Multiple (Autosaved) (Autosaved)Pierre Robentz Cassion
 
chapitre 1 régression simple.pdf
chapitre 1 régression simple.pdfchapitre 1 régression simple.pdf
chapitre 1 régression simple.pdfAnassFarkadi
 
Cours acp mehdi_aman
Cours acp mehdi_amanCours acp mehdi_aman
Cours acp mehdi_amanMehdi Aman
 
Choix de l’analyse statistique appropriée
 Choix de l’analyse statistique appropriée  Choix de l’analyse statistique appropriée
Choix de l’analyse statistique appropriée Adad Med Chérif
 
La Regression lineaire
La Regression lineaireLa Regression lineaire
La Regression lineaireFIKRIMAIL
 
Data mining - ACP Analyse en Composantes Principales
Data mining - ACP Analyse en Composantes PrincipalesData mining - ACP Analyse en Composantes Principales
Data mining - ACP Analyse en Composantes PrincipalesMohamed Heny SELMI
 
Cours Statistique descriptive pr Falloul
Cours Statistique descriptive pr FalloulCours Statistique descriptive pr Falloul
Cours Statistique descriptive pr FalloulProfesseur Falloul
 
Stat4 Principes Des Tests Statistiques
Stat4  Principes Des Tests StatistiquesStat4  Principes Des Tests Statistiques
Stat4 Principes Des Tests StatistiquesJean-Louis ESTRADE
 
Regression lineaire simple
Regression lineaire simpleRegression lineaire simple
Regression lineaire simpleMehdi Rajawi
 
Analyse de données avec SPSS (1).pdf
Analyse de données avec SPSS (1).pdfAnalyse de données avec SPSS (1).pdf
Analyse de données avec SPSS (1).pdfImadSa
 
Introduction a l'econometrie luxembourg 2008 2009
Introduction a l'econometrie luxembourg 2008 2009Introduction a l'econometrie luxembourg 2008 2009
Introduction a l'econometrie luxembourg 2008 2009mohamedchaouche
 
Test de wilcoxon mann-whitney (SPSS), Test non-paramétrique
Test de wilcoxon mann-whitney (SPSS), Test non-paramétrique Test de wilcoxon mann-whitney (SPSS), Test non-paramétrique
Test de wilcoxon mann-whitney (SPSS), Test non-paramétrique Adad Med Chérif
 
Introduction aux statistiques descriptives et tests d'hypothèses
Introduction aux statistiques descriptives et tests d'hypothèsesIntroduction aux statistiques descriptives et tests d'hypothèses
Introduction aux statistiques descriptives et tests d'hypothèsesClément Dussarps
 

Tendances (20)

Test de corrélation simple et test de Normalité
Test de corrélation simple  et  test de Normalité  Test de corrélation simple  et  test de Normalité
Test de corrélation simple et test de Normalité
 
Test t de student pour des échantillons indépendants
Test  t  de student  pour  des échantillons indépendants Test  t  de student  pour  des échantillons indépendants
Test t de student pour des échantillons indépendants
 
Regress lineaire simple imp
Regress lineaire simple impRegress lineaire simple imp
Regress lineaire simple imp
 
T test sur des échantillons appariés avec test de normalité
T test sur des  échantillons appariés  avec  test de normalité T test sur des  échantillons appariés  avec  test de normalité
T test sur des échantillons appariés avec test de normalité
 
Regression lineaire Multiple (Autosaved) (Autosaved)
Regression lineaire Multiple (Autosaved) (Autosaved)Regression lineaire Multiple (Autosaved) (Autosaved)
Regression lineaire Multiple (Autosaved) (Autosaved)
 
chapitre 1 régression simple.pdf
chapitre 1 régression simple.pdfchapitre 1 régression simple.pdf
chapitre 1 régression simple.pdf
 
Stat8 Anova
Stat8  AnovaStat8  Anova
Stat8 Anova
 
Cours acp mehdi_aman
Cours acp mehdi_amanCours acp mehdi_aman
Cours acp mehdi_aman
 
Choix de l’analyse statistique appropriée
 Choix de l’analyse statistique appropriée  Choix de l’analyse statistique appropriée
Choix de l’analyse statistique appropriée
 
La Regression lineaire
La Regression lineaireLa Regression lineaire
La Regression lineaire
 
Data mining - ACP Analyse en Composantes Principales
Data mining - ACP Analyse en Composantes PrincipalesData mining - ACP Analyse en Composantes Principales
Data mining - ACP Analyse en Composantes Principales
 
Cours Statistique descriptive pr Falloul
Cours Statistique descriptive pr FalloulCours Statistique descriptive pr Falloul
Cours Statistique descriptive pr Falloul
 
Stat4 Principes Des Tests Statistiques
Stat4  Principes Des Tests StatistiquesStat4  Principes Des Tests Statistiques
Stat4 Principes Des Tests Statistiques
 
Analyse de données avec spss,
Analyse de données avec spss,Analyse de données avec spss,
Analyse de données avec spss,
 
Regression lineaire simple
Regression lineaire simpleRegression lineaire simple
Regression lineaire simple
 
Analyse de données avec SPSS (1).pdf
Analyse de données avec SPSS (1).pdfAnalyse de données avec SPSS (1).pdf
Analyse de données avec SPSS (1).pdf
 
Introduction a l'econometrie luxembourg 2008 2009
Introduction a l'econometrie luxembourg 2008 2009Introduction a l'econometrie luxembourg 2008 2009
Introduction a l'econometrie luxembourg 2008 2009
 
Test de wilcoxon mann-whitney (SPSS), Test non-paramétrique
Test de wilcoxon mann-whitney (SPSS), Test non-paramétrique Test de wilcoxon mann-whitney (SPSS), Test non-paramétrique
Test de wilcoxon mann-whitney (SPSS), Test non-paramétrique
 
Regression simple
Regression simpleRegression simple
Regression simple
 
Introduction aux statistiques descriptives et tests d'hypothèses
Introduction aux statistiques descriptives et tests d'hypothèsesIntroduction aux statistiques descriptives et tests d'hypothèses
Introduction aux statistiques descriptives et tests d'hypothèses
 

En vedette

Glass bottle or Plastic bottle
Glass bottle or  Plastic bottleGlass bottle or  Plastic bottle
Glass bottle or Plastic bottleCOMENIUS1012
 
What is Culture?
What is Culture?What is Culture?
What is Culture?Melissa
 
How to read a Glass Bottle
How to read a Glass BottleHow to read a Glass Bottle
How to read a Glass BottleJosh Winright
 
Importance of group communication
Importance of group communication                Importance of group communication
Importance of group communication kathan patel
 
Glass Bottles for Beer, Beer Bottles, Glass Bottle Packaging, Glass Packaging...
Glass Bottles for Beer, Beer Bottles, Glass Bottle Packaging, Glass Packaging...Glass Bottles for Beer, Beer Bottles, Glass Bottle Packaging, Glass Packaging...
Glass Bottles for Beer, Beer Bottles, Glass Bottle Packaging, Glass Packaging...Ajjay Kumar Gupta
 
Organisation behaviour
Organisation behaviourOrganisation behaviour
Organisation behaviourPoonam_Jindal
 
My regression lecture mk3 (uploaded to web ct)
My regression lecture   mk3 (uploaded to web ct)My regression lecture   mk3 (uploaded to web ct)
My regression lecture mk3 (uploaded to web ct)chrisstiff
 
Factor analysis ppt
Factor analysis pptFactor analysis ppt
Factor analysis pptMukesh Bisht
 
Chap13 intro to multiple regression
Chap13 intro to multiple regressionChap13 intro to multiple regression
Chap13 intro to multiple regressionUni Azza Aunillah
 
Glass Bottle Manufacturing
Glass Bottle ManufacturingGlass Bottle Manufacturing
Glass Bottle ManufacturingHarish Balout
 

En vedette (18)

Glass bottle or Plastic bottle
Glass bottle or  Plastic bottleGlass bottle or  Plastic bottle
Glass bottle or Plastic bottle
 
What is culture?
What is culture?What is culture?
What is culture?
 
Minchenko consulting communication group
Minchenko consulting communication groupMinchenko consulting communication group
Minchenko consulting communication group
 
What is Culture?
What is Culture?What is Culture?
What is Culture?
 
Chapter 9
Chapter 9Chapter 9
Chapter 9
 
How to read a Glass Bottle
How to read a Glass BottleHow to read a Glass Bottle
How to read a Glass Bottle
 
Importance of group communication
Importance of group communication                Importance of group communication
Importance of group communication
 
Glass Bottles for Beer, Beer Bottles, Glass Bottle Packaging, Glass Packaging...
Glass Bottles for Beer, Beer Bottles, Glass Bottle Packaging, Glass Packaging...Glass Bottles for Beer, Beer Bottles, Glass Bottle Packaging, Glass Packaging...
Glass Bottles for Beer, Beer Bottles, Glass Bottle Packaging, Glass Packaging...
 
Organisation behaviour
Organisation behaviourOrganisation behaviour
Organisation behaviour
 
Culture & Organisation
Culture & OrganisationCulture & Organisation
Culture & Organisation
 
Priya
PriyaPriya
Priya
 
Group communication
Group communicationGroup communication
Group communication
 
My regression lecture mk3 (uploaded to web ct)
My regression lecture   mk3 (uploaded to web ct)My regression lecture   mk3 (uploaded to web ct)
My regression lecture mk3 (uploaded to web ct)
 
Glass Analysis
Glass AnalysisGlass Analysis
Glass Analysis
 
Factor analysis ppt
Factor analysis pptFactor analysis ppt
Factor analysis ppt
 
Chap13 intro to multiple regression
Chap13 intro to multiple regressionChap13 intro to multiple regression
Chap13 intro to multiple regression
 
Chapter 5
Chapter 5Chapter 5
Chapter 5
 
Glass Bottle Manufacturing
Glass Bottle ManufacturingGlass Bottle Manufacturing
Glass Bottle Manufacturing
 

Similaire à Analyse de régression multiple

Laffly regression multiple
Laffly regression multipleLaffly regression multiple
Laffly regression multiplemohamedchaouche
 
Chapitre I - Développements introductifs.pptx
Chapitre I - Développements introductifs.pptxChapitre I - Développements introductifs.pptx
Chapitre I - Développements introductifs.pptxmelianikholoud
 
Laffly regression multiple
Laffly regression multipleLaffly regression multiple
Laffly regression multipleafryma
 
Laffly regression multiple
Laffly regression multipleLaffly regression multiple
Laffly regression multipleafryma
 
(Statdes regression biv_ensta_21oct2010)
(Statdes regression biv_ensta_21oct2010)(Statdes regression biv_ensta_21oct2010)
(Statdes regression biv_ensta_21oct2010)mohamedchaouche
 
fr_Tanagra_Naive_Bayes_Classifier_Explained.pdf
fr_Tanagra_Naive_Bayes_Classifier_Explained.pdffr_Tanagra_Naive_Bayes_Classifier_Explained.pdf
fr_Tanagra_Naive_Bayes_Classifier_Explained.pdfSidiAbdallah1
 
FINAL.pptx
FINAL.pptxFINAL.pptx
FINAL.pptxsara6496
 
Metrologie termilnal
Metrologie termilnalMetrologie termilnal
Metrologie termilnalm.a bensaaoud
 
modele destimation.pptx
modele destimation.pptxmodele destimation.pptx
modele destimation.pptxzahrakmar
 
Controlegestion
ControlegestionControlegestion
Controlegestionhassan1488
 
Traitements statistiques de description
Traitements statistiques de descriptionTraitements statistiques de description
Traitements statistiques de descriptionAhmed Benhoumane
 
Loic sarton spss 2011
Loic sarton  spss 2011Loic sarton  spss 2011
Loic sarton spss 2011Loic Sarton
 
7490_chap02.pdf
7490_chap02.pdf7490_chap02.pdf
7490_chap02.pdfSaidSousdi
 
Analyse bivariée_AD math ingenierie .pdf
Analyse bivariée_AD math ingenierie .pdfAnalyse bivariée_AD math ingenierie .pdf
Analyse bivariée_AD math ingenierie .pdfSaraElMendili
 

Similaire à Analyse de régression multiple (20)

Econométrie appliqué.pptx
Econométrie appliqué.pptxEconométrie appliqué.pptx
Econométrie appliqué.pptx
 
Stat7 Correlation
Stat7  CorrelationStat7  Correlation
Stat7 Correlation
 
Laffly regression multiple
Laffly regression multipleLaffly regression multiple
Laffly regression multiple
 
Chapitre I - Développements introductifs.pptx
Chapitre I - Développements introductifs.pptxChapitre I - Développements introductifs.pptx
Chapitre I - Développements introductifs.pptx
 
Laffly regression multiple
Laffly regression multipleLaffly regression multiple
Laffly regression multiple
 
Laffly regression multiple
Laffly regression multipleLaffly regression multiple
Laffly regression multiple
 
(Statdes regression biv_ensta_21oct2010)
(Statdes regression biv_ensta_21oct2010)(Statdes regression biv_ensta_21oct2010)
(Statdes regression biv_ensta_21oct2010)
 
fr_Tanagra_Naive_Bayes_Classifier_Explained.pdf
fr_Tanagra_Naive_Bayes_Classifier_Explained.pdffr_Tanagra_Naive_Bayes_Classifier_Explained.pdf
fr_Tanagra_Naive_Bayes_Classifier_Explained.pdf
 
FINAL.pptx
FINAL.pptxFINAL.pptx
FINAL.pptx
 
Metrologie termilnal
Metrologie termilnalMetrologie termilnal
Metrologie termilnal
 
modele destimation.pptx
modele destimation.pptxmodele destimation.pptx
modele destimation.pptx
 
pmi définition variance
pmi définition variancepmi définition variance
pmi définition variance
 
Controlegestion
ControlegestionControlegestion
Controlegestion
 
Stat1 Les Indices
Stat1  Les IndicesStat1  Les Indices
Stat1 Les Indices
 
Traitements statistiques de description
Traitements statistiques de descriptionTraitements statistiques de description
Traitements statistiques de description
 
Stat1
Stat1Stat1
Stat1
 
Loic sarton spss 2011
Loic sarton  spss 2011Loic sarton  spss 2011
Loic sarton spss 2011
 
7490_chap02.pdf
7490_chap02.pdf7490_chap02.pdf
7490_chap02.pdf
 
Propensity score matching
Propensity score matchingPropensity score matching
Propensity score matching
 
Analyse bivariée_AD math ingenierie .pdf
Analyse bivariée_AD math ingenierie .pdfAnalyse bivariée_AD math ingenierie .pdf
Analyse bivariée_AD math ingenierie .pdf
 

Plus de Adad Med Chérif

Evaluation poste occupationnelle (EPO) dans le cas d'un quartier à logement...
Evaluation poste occupationnelle (EPO)  dans le cas d'un quartier  à logement...Evaluation poste occupationnelle (EPO)  dans le cas d'un quartier  à logement...
Evaluation poste occupationnelle (EPO) dans le cas d'un quartier à logement...Adad Med Chérif
 
Questionnaire:Traitement d’une question sur « La qualité de vie dans un quart...
Questionnaire:Traitement d’une question sur « La qualité de vie dans un quart...Questionnaire:Traitement d’une question sur « La qualité de vie dans un quart...
Questionnaire:Traitement d’une question sur « La qualité de vie dans un quart...Adad Med Chérif
 
شهادة مدرسية : تحريرها باستعمال الاكسيل
شهادة مدرسية : تحريرها باستعمال الاكسيلشهادة مدرسية : تحريرها باستعمال الاكسيل
شهادة مدرسية : تحريرها باستعمال الاكسيلAdad Med Chérif
 
Options Graphiques: saisie des données dans l'userform
Options Graphiques: saisie des données dans l'userformOptions Graphiques: saisie des données dans l'userform
Options Graphiques: saisie des données dans l'userformAdad Med Chérif
 
Export des données et des graphiques : de l'Excel vers Powerpoint et word
Export des données et des graphiques : de l'Excel vers Powerpoint et word Export des données et des graphiques : de l'Excel vers Powerpoint et word
Export des données et des graphiques : de l'Excel vers Powerpoint et word Adad Med Chérif
 
VBA Excel: Enquête sur la qualité de l’aménagement extérieur des logements
VBA Excel:   Enquête sur la qualité de l’aménagement  extérieur des logements  VBA Excel:   Enquête sur la qualité de l’aménagement  extérieur des logements
VBA Excel: Enquête sur la qualité de l’aménagement extérieur des logements Adad Med Chérif
 
Création d'une base de donnée en VBA Excel
Création d'une base de donnée en VBA Excel Création d'une base de donnée en VBA Excel
Création d'une base de donnée en VBA Excel Adad Med Chérif
 
Analyse descriptive en VBA Excel
Analyse descriptive en VBA Excel Analyse descriptive en VBA Excel
Analyse descriptive en VBA Excel Adad Med Chérif
 
Water level indicator with alarm for underground tank
Water level indicator with alarm for underground tank Water level indicator with alarm for underground tank
Water level indicator with alarm for underground tank Adad Med Chérif
 
Fonctionnement d’un récepteur radio superhétérodyne en MA et FM
 Fonctionnement  d’un récepteur radio  superhétérodyne en MA et FM  Fonctionnement  d’un récepteur radio  superhétérodyne en MA et FM
Fonctionnement d’un récepteur radio superhétérodyne en MA et FM Adad Med Chérif
 
Indicateur d'arrivée de d'eau/ Détecteur de pluie
Indicateur  d'arrivée de d'eau/ Détecteur de pluie  Indicateur  d'arrivée de d'eau/ Détecteur de pluie
Indicateur d'arrivée de d'eau/ Détecteur de pluie Adad Med Chérif
 
Le four à micro-ondes Principe de fonctionnement
Le four à micro-ondes Principe de fonctionnement Le four à micro-ondes Principe de fonctionnement
Le four à micro-ondes Principe de fonctionnement Adad Med Chérif
 
Notice bibliographique pour les doctorants chercheurs en VBA sous Excel
Notice bibliographique pour les  doctorants chercheurs en VBA sous Excel Notice bibliographique pour les  doctorants chercheurs en VBA sous Excel
Notice bibliographique pour les doctorants chercheurs en VBA sous Excel Adad Med Chérif
 
Convertisseur Pouce en cm et cm en pixel
Convertisseur  Pouce en cm et  cm en pixelConvertisseur  Pouce en cm et  cm en pixel
Convertisseur Pouce en cm et cm en pixelAdad Med Chérif
 

Plus de Adad Med Chérif (15)

Evaluation poste occupationnelle (EPO) dans le cas d'un quartier à logement...
Evaluation poste occupationnelle (EPO)  dans le cas d'un quartier  à logement...Evaluation poste occupationnelle (EPO)  dans le cas d'un quartier  à logement...
Evaluation poste occupationnelle (EPO) dans le cas d'un quartier à logement...
 
Questionnaire:Traitement d’une question sur « La qualité de vie dans un quart...
Questionnaire:Traitement d’une question sur « La qualité de vie dans un quart...Questionnaire:Traitement d’une question sur « La qualité de vie dans un quart...
Questionnaire:Traitement d’une question sur « La qualité de vie dans un quart...
 
شهادة مدرسية : تحريرها باستعمال الاكسيل
شهادة مدرسية : تحريرها باستعمال الاكسيلشهادة مدرسية : تحريرها باستعمال الاكسيل
شهادة مدرسية : تحريرها باستعمال الاكسيل
 
Options Graphiques: saisie des données dans l'userform
Options Graphiques: saisie des données dans l'userformOptions Graphiques: saisie des données dans l'userform
Options Graphiques: saisie des données dans l'userform
 
Export des données et des graphiques : de l'Excel vers Powerpoint et word
Export des données et des graphiques : de l'Excel vers Powerpoint et word Export des données et des graphiques : de l'Excel vers Powerpoint et word
Export des données et des graphiques : de l'Excel vers Powerpoint et word
 
VBA Excel: Enquête sur la qualité de l’aménagement extérieur des logements
VBA Excel:   Enquête sur la qualité de l’aménagement  extérieur des logements  VBA Excel:   Enquête sur la qualité de l’aménagement  extérieur des logements
VBA Excel: Enquête sur la qualité de l’aménagement extérieur des logements
 
Création d'une base de donnée en VBA Excel
Création d'une base de donnée en VBA Excel Création d'une base de donnée en VBA Excel
Création d'une base de donnée en VBA Excel
 
Analyse descriptive en VBA Excel
Analyse descriptive en VBA Excel Analyse descriptive en VBA Excel
Analyse descriptive en VBA Excel
 
Water level indicator with alarm for underground tank
Water level indicator with alarm for underground tank Water level indicator with alarm for underground tank
Water level indicator with alarm for underground tank
 
Fonctionnement d’un récepteur radio superhétérodyne en MA et FM
 Fonctionnement  d’un récepteur radio  superhétérodyne en MA et FM  Fonctionnement  d’un récepteur radio  superhétérodyne en MA et FM
Fonctionnement d’un récepteur radio superhétérodyne en MA et FM
 
Indicateur d'arrivée de d'eau/ Détecteur de pluie
Indicateur  d'arrivée de d'eau/ Détecteur de pluie  Indicateur  d'arrivée de d'eau/ Détecteur de pluie
Indicateur d'arrivée de d'eau/ Détecteur de pluie
 
Home security alarm system
 Home security alarm  system  Home security alarm  system
Home security alarm system
 
Le four à micro-ondes Principe de fonctionnement
Le four à micro-ondes Principe de fonctionnement Le four à micro-ondes Principe de fonctionnement
Le four à micro-ondes Principe de fonctionnement
 
Notice bibliographique pour les doctorants chercheurs en VBA sous Excel
Notice bibliographique pour les  doctorants chercheurs en VBA sous Excel Notice bibliographique pour les  doctorants chercheurs en VBA sous Excel
Notice bibliographique pour les doctorants chercheurs en VBA sous Excel
 
Convertisseur Pouce en cm et cm en pixel
Convertisseur  Pouce en cm et  cm en pixelConvertisseur  Pouce en cm et  cm en pixel
Convertisseur Pouce en cm et cm en pixel
 

Dernier

Newsletter SPW Agriculture en province du Luxembourg du 10-04-24
Newsletter SPW Agriculture en province du Luxembourg du 10-04-24Newsletter SPW Agriculture en province du Luxembourg du 10-04-24
Newsletter SPW Agriculture en province du Luxembourg du 10-04-24BenotGeorges3
 
Faut-il avoir peur de la technique ? (G. Gay-Para)
Faut-il avoir peur de la technique ? (G. Gay-Para)Faut-il avoir peur de la technique ? (G. Gay-Para)
Faut-il avoir peur de la technique ? (G. Gay-Para)Gabriel Gay-Para
 
DIGNITAS INFINITA - DIGNITÉ HUMAINE; déclaration du dicastère .pptx
DIGNITAS INFINITA - DIGNITÉ HUMAINE; déclaration du dicastère .pptxDIGNITAS INFINITA - DIGNITÉ HUMAINE; déclaration du dicastère .pptx
DIGNITAS INFINITA - DIGNITÉ HUMAINE; déclaration du dicastère .pptxMartin M Flynn
 
Vulnérabilité numérique d’usage : un enjeu pour l’aide à la réussitepdf
Vulnérabilité numérique d’usage : un enjeu pour l’aide à la réussitepdfVulnérabilité numérique d’usage : un enjeu pour l’aide à la réussitepdf
Vulnérabilité numérique d’usage : un enjeu pour l’aide à la réussitepdfSylvianeBachy
 
Bibdoc 2024 - Sobriete numerique en bibliotheque et centre de documentation.pdf
Bibdoc 2024 - Sobriete numerique en bibliotheque et centre de documentation.pdfBibdoc 2024 - Sobriete numerique en bibliotheque et centre de documentation.pdf
Bibdoc 2024 - Sobriete numerique en bibliotheque et centre de documentation.pdfBibdoc 37
 
Présentation - Initiatives - CECOSDA - OIF - Fact Checking.pptx
Présentation - Initiatives - CECOSDA - OIF - Fact Checking.pptxPrésentation - Initiatives - CECOSDA - OIF - Fact Checking.pptx
Présentation - Initiatives - CECOSDA - OIF - Fact Checking.pptxJCAC
 
Bibdoc 2024 - Les intelligences artificielles en bibliotheque.pdf
Bibdoc 2024 - Les intelligences artificielles en bibliotheque.pdfBibdoc 2024 - Les intelligences artificielles en bibliotheque.pdf
Bibdoc 2024 - Les intelligences artificielles en bibliotheque.pdfBibdoc 37
 
Calendrier de la semaine du 8 au 12 avril
Calendrier de la semaine du 8 au 12 avrilCalendrier de la semaine du 8 au 12 avril
Calendrier de la semaine du 8 au 12 avrilfrizzole
 
Aux origines de la sociologie : du XIXème au début XX ème siècle
Aux origines de la sociologie : du XIXème au début XX ème siècleAux origines de la sociologie : du XIXème au début XX ème siècle
Aux origines de la sociologie : du XIXème au début XX ème siècleAmar LAKEL, PhD
 
Apprendre avec des top et nano influenceurs
Apprendre avec des top et nano influenceursApprendre avec des top et nano influenceurs
Apprendre avec des top et nano influenceursStagiaireLearningmat
 
La Base unique départementale - Quel bilan, au bout de 5 ans .pdf
La Base unique départementale - Quel bilan, au bout de 5 ans .pdfLa Base unique départementale - Quel bilan, au bout de 5 ans .pdf
La Base unique départementale - Quel bilan, au bout de 5 ans .pdfbdp12
 
Bibdoc 2024 - L’Éducation aux Médias et à l’Information face à l’intelligence...
Bibdoc 2024 - L’Éducation aux Médias et à l’Information face à l’intelligence...Bibdoc 2024 - L’Éducation aux Médias et à l’Information face à l’intelligence...
Bibdoc 2024 - L’Éducation aux Médias et à l’Information face à l’intelligence...Bibdoc 37
 
Chana Orloff.pptx Sculptrice franco-ukranienne
Chana Orloff.pptx Sculptrice franco-ukranienneChana Orloff.pptx Sculptrice franco-ukranienne
Chana Orloff.pptx Sculptrice franco-ukranienneTxaruka
 
Pas de vagues. pptx Film français
Pas de vagues.  pptx   Film     françaisPas de vagues.  pptx   Film     français
Pas de vagues. pptx Film françaisTxaruka
 
Pas de vagues. pptx Film français
Pas de vagues.  pptx      Film   françaisPas de vagues.  pptx      Film   français
Pas de vagues. pptx Film françaisTxaruka
 

Dernier (16)

Newsletter SPW Agriculture en province du Luxembourg du 10-04-24
Newsletter SPW Agriculture en province du Luxembourg du 10-04-24Newsletter SPW Agriculture en province du Luxembourg du 10-04-24
Newsletter SPW Agriculture en province du Luxembourg du 10-04-24
 
Faut-il avoir peur de la technique ? (G. Gay-Para)
Faut-il avoir peur de la technique ? (G. Gay-Para)Faut-il avoir peur de la technique ? (G. Gay-Para)
Faut-il avoir peur de la technique ? (G. Gay-Para)
 
DIGNITAS INFINITA - DIGNITÉ HUMAINE; déclaration du dicastère .pptx
DIGNITAS INFINITA - DIGNITÉ HUMAINE; déclaration du dicastère .pptxDIGNITAS INFINITA - DIGNITÉ HUMAINE; déclaration du dicastère .pptx
DIGNITAS INFINITA - DIGNITÉ HUMAINE; déclaration du dicastère .pptx
 
Vulnérabilité numérique d’usage : un enjeu pour l’aide à la réussitepdf
Vulnérabilité numérique d’usage : un enjeu pour l’aide à la réussitepdfVulnérabilité numérique d’usage : un enjeu pour l’aide à la réussitepdf
Vulnérabilité numérique d’usage : un enjeu pour l’aide à la réussitepdf
 
Bibdoc 2024 - Sobriete numerique en bibliotheque et centre de documentation.pdf
Bibdoc 2024 - Sobriete numerique en bibliotheque et centre de documentation.pdfBibdoc 2024 - Sobriete numerique en bibliotheque et centre de documentation.pdf
Bibdoc 2024 - Sobriete numerique en bibliotheque et centre de documentation.pdf
 
Présentation - Initiatives - CECOSDA - OIF - Fact Checking.pptx
Présentation - Initiatives - CECOSDA - OIF - Fact Checking.pptxPrésentation - Initiatives - CECOSDA - OIF - Fact Checking.pptx
Présentation - Initiatives - CECOSDA - OIF - Fact Checking.pptx
 
Bibdoc 2024 - Les intelligences artificielles en bibliotheque.pdf
Bibdoc 2024 - Les intelligences artificielles en bibliotheque.pdfBibdoc 2024 - Les intelligences artificielles en bibliotheque.pdf
Bibdoc 2024 - Les intelligences artificielles en bibliotheque.pdf
 
Calendrier de la semaine du 8 au 12 avril
Calendrier de la semaine du 8 au 12 avrilCalendrier de la semaine du 8 au 12 avril
Calendrier de la semaine du 8 au 12 avril
 
Aux origines de la sociologie : du XIXème au début XX ème siècle
Aux origines de la sociologie : du XIXème au début XX ème siècleAux origines de la sociologie : du XIXème au début XX ème siècle
Aux origines de la sociologie : du XIXème au début XX ème siècle
 
Apprendre avec des top et nano influenceurs
Apprendre avec des top et nano influenceursApprendre avec des top et nano influenceurs
Apprendre avec des top et nano influenceurs
 
La Base unique départementale - Quel bilan, au bout de 5 ans .pdf
La Base unique départementale - Quel bilan, au bout de 5 ans .pdfLa Base unique départementale - Quel bilan, au bout de 5 ans .pdf
La Base unique départementale - Quel bilan, au bout de 5 ans .pdf
 
Bulletin des bibliotheques Burkina Faso mars 2024
Bulletin des bibliotheques Burkina Faso mars 2024Bulletin des bibliotheques Burkina Faso mars 2024
Bulletin des bibliotheques Burkina Faso mars 2024
 
Bibdoc 2024 - L’Éducation aux Médias et à l’Information face à l’intelligence...
Bibdoc 2024 - L’Éducation aux Médias et à l’Information face à l’intelligence...Bibdoc 2024 - L’Éducation aux Médias et à l’Information face à l’intelligence...
Bibdoc 2024 - L’Éducation aux Médias et à l’Information face à l’intelligence...
 
Chana Orloff.pptx Sculptrice franco-ukranienne
Chana Orloff.pptx Sculptrice franco-ukranienneChana Orloff.pptx Sculptrice franco-ukranienne
Chana Orloff.pptx Sculptrice franco-ukranienne
 
Pas de vagues. pptx Film français
Pas de vagues.  pptx   Film     françaisPas de vagues.  pptx   Film     français
Pas de vagues. pptx Film français
 
Pas de vagues. pptx Film français
Pas de vagues.  pptx      Film   françaisPas de vagues.  pptx      Film   français
Pas de vagues. pptx Film français
 

Analyse de régression multiple

  • 1.
  • 2.  la relation doit être linéaire  Les variables explicatives (variables indépendantes) et la variable à expliquer (variable dépendante) sont indépendantes  Les variables explicatives sont indépendantes entre elles.  Les variables indépendants ne doivent pas avoir de relation linéaire parfaite elles ( pas de multicolinéarité parfaite)  la distribution de la variable à expliquer y et les variables explicatives x₁, x₂, x₃,…..xp suivent une loi normale dans le cas où l’une de ces dernières est continue.  Un bon modèle de régression comprend un nombre optimal de variables indépendantes, cela signifie qu’il faut prendre les meilleurs variables indépendante en vue d’une prédiction fiable.  Le modèle doit prendre en compte des variables énoncées dans les objectifs  Une variable indépendante pourrait être exclue du modèle si le degré d’association avec la variable indépendante n’est pas assez fort. Conditions d’utilisation de l’analyse de régression linéaire multiple
  • 3. x₁ x₂ x₃ xp Y Variable dépendante VI 1 VI 2 VI 3 VI P • Il est possible d’utiliser l'équation de régression pour pouvoir prédire les données de la variable dépendante dont les mesures n'ont pas encore été obtenues ou pourraient être difficiles à obtenir.  La régression nous donne un pas au-delà de la corrélation qui s’intéresse seulement à la force de l'association, mais nous voulons être en mesure de décrire sa nature avec une précision suffisante pour pouvoir faire des prédictions, Pour être en mesure d’accomplir cette tache, nous devons être capables de définir les variables indépendantes et la variable dépendante dans le cas de la régression multiple. Cette dernière est plus complète et plus sophistiquée. L'objectif général de la régression multiple est de tester la relation qui existe entre plusieurs variables indépendantes (quantitatives et/ou qualitatives ) et une variable dépendante (quantitative et continue) . VI= Variable Indépendante Y Variable dépendante VI Simple régression Multiple régression Relations entre VI à éviter
  • 4. Pour atteindre cet objectif, on doit se référer à l’équation de régression. a₁ : la pente de la variable 1 a₂ : la pente de la variable 2 a₃ : la pente de la variable 3 ap : la pente de la variable p x₁ : la variable indépendante 1 x₂ : la variable indépendante 2 x₃ : la variable indépendante 3 xp : la variable indépendante p b: la constante Ɛ : erreur y: la variable dépendante En termes plus clairs, la relation entre x1, x2, x3…xp et y est matérialisée par une ligne droite dont les pentes sont « a₁, a₂, a₃, … ap » et la constante est b . • Les variables  x₁, x₂, x₃,….,xp = Variables explicatives continues ou catégorielles (variables indépendantes)  y = la seule variable à expliquer continue (variable dépendante) . Y représente les valeurs possibles de la variable dépendante qui peuvent être expliquées par le modèle général de régression. Par contre Ɛ ne peut être expliquée par ce même modèle, Cette équation de la droite exprime une relation linéaire entre et , la valeur de la variable dépendante (y) est fonction de la valeur de la ou des variable(s) indépendante(s) (x), y=f(x).
  • 5. •Régression multiple / 2 ou plusieurs variables indépendantes (x₁, x₂,x3,x4) sont associées à une seule variable dépendante (y) tel que y= a₁x₁+ a₂x₂+ a3x3+ a4x4 + b 1ère exemple température intérieure (ti)=f[température extérieure (te) , humidité relative (H%), vitesse de l’aire, l’isolation thermique ]. ti= a₁(te)+ a₂(H%)+ a₃(va) + a4(it)+ b 2ème exemple Revenu (y)= a₁ (expérience en année)+ a₂ ( niveau scolaire en année)+ b Exemples de régression multiple
  • 6. La méthode de régression nous guide vers la manière d’introduire les variables dans le modèle de régression. A- La régression hiérarchique B- La régression avec entrée forcée : toutes les variables sont entrées simultanément. C- La régression avec entrée progressive: 1. la méthode pas-à-pas (stepwise) 2. descendante (backward): la variable ayant la plus faible contribution au modèle est éliminée du modèle automatiquement si la variation du R2 n’est pas significative. 3. la méthode ascendante (forward) Habituellement, la méthode Entrée est utilisée à moins d'a priori théoriques particuliers. (a première variable indépendante soit incluse dans le modèle).
  • 7. Nous allons donc voir maintenant comment il est possible de prédire la variance d’une variable dépendante y à l’aide d’une combinaison linéaire de variables indépendantes x1, x2, x3,…..xp Hypothèse nulle L’hypothèse nulle: il n’y a pas de relation linéaire entre la combinaison des variables prédicteurs (x1, x2, x3… xp) et la variable à prédire (Y). Hypothèse alternative L’hypothèse alternative (ou de recherche): l’association combinée des variables indépendantes est statistiquement significative à la variable dépendante (l’observation).
  • 8. Variable dépendante y (Résultat) La moyenne d'espérance de vie d'un homme Variable indépendant x1 Les personnes qui lisent (%) Variable indépendant x2 Apport calorique quotidien Variable indépendant x3 Produit intérieur brut / capita L’hypothèse nulle Il n’y a pas de relation linéaire entre la combinaison des variables indépendantes « les personnes qui lient », «l’apport calorifique quotidien », «le produit intérieur brut » et la variable dépendante « la moyenne d’espérance de vie d’un homme ». L’hypothèse alternative Il y a une relation linéaire significative entre la combinaison des variables indépendantes « les personnes qui lient », «l’apport calorifique quotidien », « le produit intérieur brut » et la variable dépendante « La moyenne de l’espérance de vie d’un homme ».
  • 9. Utilisons l’analyse de régression multiple…. 1 …. dans le but de tester la relation qui pourrait exister entre les 3 variables prédicteurs ensemble pour prédire la moyenne de l’espère de vie d’un hommes.
  • 10. Les variables indépendantes et la variable dépendante sont insérées séparément dans des boites différentes : la variable dépendante dans «Dépendant:» et les variables indépendantes dans « Variables indépendantes: » Pour « la méthode de régression », Choisir « Entrée » , ici toutes les variables sont entrées simultanément. . C’est la méthode standard .  Appuyez sur l’option « statistiques » et cocher  comme indiquer puis poursuivre .  Mesure et corrélations partielles : Corrélation entre chaque VI et la VD. Corrélation partielle entre chaque VI et VD Tests de colinéarité : évaluation de la multicolinéarité dans l’analyse (Variance Inflation Factor ). variables indépendantes ne doivent pas être parfaitement associées entre elles d’où les corrélations ne doivent pas être trop fortes ou la multicolinéarité parfaite n’est recommandée. Ceci est vérifié par le VIF. Si, arbitrairement, VIF<10, notre modèle est à l’abri de ce Qualité de l’ajustement: le test pour évaluer l’ensemble du modèle (F), le R multiple, le R2 correspondant et le R2 ajusté,  Variation de R-deux: changement du R2 après l’ajout d’un nouveau bloc de VI  Estimations: la constante b pour toutes les variables indépendantes et le test de signification  Intervalles de confiance à 95% 2
  • 11.  Appuyez sur l’option « Diagrammes » - Insérer dans le camps Y * ZRESID (résiduel) - Insérer dans le champs X *ZPRED (Prédiction) - Diagramme de répartition gaussien - Poursuivre  Appuyez sur l’option « Options » 3 Cocher « Exclure seulement les composantes non valides », C-à-d que tout sujet, qui manque une des variables, qu’elle soit indépendant ou dépendante, sera exclu de l’analyse .  Pour l’option « Enregistrer », on garde ce qui est par défaut.
  • 12. Cliquer sur OK, 4 Remarque: la version la plus simple de la régression multiple consiste à garder toutes les options telles qu’elles se présentent par défaut. En d’autres termes, ne rien toucher aux options, insérer uniquement les variables dans leurs champs correspondants. C’est une méthode assez acceptable pour la majorité des régressions multiples.
  • 13. Cette analyse de corrélation ne fait pas parti du test de régression multiple. Dans ce tableau, le résultat de l’analyse de corrélation simple. Nous pouvons dire que la corrélation entre la VD et chaque VI est très forte (0.765,0.639, 0.809) et la relation est aussi très significative (.000 <0,05). Aussi les corrélation entre les VI ne sont pas très élévées , inférieur à 0.7 , sauf pour un seul cas. 3 Test de corrélation VD VI Analyse de corrélation simple entre la VD et chaque variable indépendante (VI) 5 Grâce à ce tableau, nous pouvons vérifier nos hypothèses , VD et les VI , si elles sont fortement corrélées ou non.
  • 14. La base de données Dans ce tableau, toutes les 3 VI sont indiquées. Ce qui nous intéresse ici R et R² : R= coefficient de corrélation de la régression multiple . C’est l’association de toutes les variables indépendantes . Il est très élevé (0.862). Cela signifie que les VI prédisent la variable dépendante ( R est global, il se pourrait qu’une VI ne contribue pas au résultat, donc il faut voir le tableau « Coefficients » pour se rendre compte). R²=0.744 (=74.4%). Ce coefficient indique de combien les 3 VI ont agi sur la VD. Dans ce cas, les 3 VI ensembles expliquent la VD dans un fort pourcentage de 74.4. La variable à prédire (VD) 6
  • 15. Avec la très faible valeur de la probabilité, on peut dire que le modèle de régression s’adapte bien p-value=0.000 <0.05 et que la prédiction n’est pas due au hasard. Tests de colinéarité :  le VIF < 10 « Variance Inflation Factor », donc avec ces mesures, nous pouvons dire que la multicolinéarité n’est pas de rigueur. Les variables indépendantes ne doivent pas être parfaitement associées entre elles. Cela est exigée par notre modèle.  La tolérance > 0.10, les valeurs indiquées sur le tableau sont supérieures à 0.10. Ces mesures aussi indiquent que la multicolinéarité n’est pas de rigueur.  Si une VI a ses indices non conformes à ce qui est exigé, alors il faut la supprimer ou la remplacer par une autre.  Dans la colonne A , nous avons la constante b=32.430 si x=0, et les pentes a1=0,005,a2=0.000, a3=0.215.  On peut faire appel à l’équation de régression multiple pour rédire les différente y de la VD.  Toutes les VI ont une relation significative avec VD , sauf VD , « Produit intérieur brut », Sig = 0.289 > 0,05. Cela signifie que cette variable ne contribue pas significativement à la prédiction du résultat obtenu (VD).  Aussi Bêta cette variable « Produit intérieur brut » est 0.098, cela signifie qu’il n’a pas de contribution de celle-ci à la prédiction du résultat, à l’inverse des 2 autres variables 0.330 et 0.529 (on fait abstraction du signe). 7
  • 16. On continue notre interprétation Une autre information utile les corrélations  Corrélation partie de chaque VI: cela montre la contribution de chaque VI à la corrélation totale R (0.862, coefficient de la régression multiple indiquée dans le tableau « récapitulatif des modèles »). D’où si, par exemple, on retire la VI« Les personnes qui lisent » du modèle, la corrélation totale va diminuer. Ainsi, 0.386 [coefficient individuel (partie)] de la VI « Les personnes qui lisent »] retranché de 0.744, on aura donc 0.744 - 0.386= 0.358, d’où l’intensité de la corrélation totale a considérablement diminué, R²= 0.358 est sa nouvelle valeur. Les 2 VI restantes participent à la prédiction du résultat que de 35.8% .  Aussi, si on porte 0.386 au carré (0.386)² =0.148 , cela signifie que cette corrélation individuelle participe à 14.8 % à l’explication du résultat final (VD) « Moyenne d’espérance de vie d’un homme » .  Il faut aussi noter que la somme des corrélations parties n’est pas égale à R² = 0,744 car la régression multiple prends en compte la combinaison de toutes les VI prédire le résultat.  Par ailleurs comme vous pouvez le voir R de la VI « Produit intérieur brut/capitat » est très significatif (0.639) qui dénote l’existence d’une forte corrélation entre cette variable et la VD « Moyenne d’espérance de vie d’un homme » , prises séparément mais ce même R est très faible (0.065) dans le modèle de régression multiple , cela signifie que cette variable n’est plus significativement associée à dans le cadre de la régression multiple. Pourquoi ? la régression multiple prends en compte la combinaison de toutes les VI ensemble et non séparées pour prédire le résultat. Cela est une façon plus fiable en comparaison avec les VI prises séparément. On peut dire à la fin que les 2 VI « Apport calorifique quotidien » (0.002 < 0.05) et « Les personnes qui lisent » (0.000 < 0.05) ont une contribution statistiquement significative à la prédiction des résultats alors que la VI « Produit intérieur brut » (0.289 > 0.05) n’a pas de contribution statistiquement significative au modèle . Aussi, le modèle tout entier a une corrélation multiple de 0.862 , ce qui est une grande valeur et une amélioration substantielle par rapport à la corrélation de chaque VI prise séparément. ( 0.91, 0.065, 0.386) 8

Notes de l'éditeur

  1. Cette présentation illustre les nouvelles fonctionnalités de PowerPoint, qui sont optimisées pour un affichage sous forme de diaporama. Ces diapositives visent à vous donner des idées pour créer des présentations captivantes dans PowerPoint 2010. Pour obtenir d’autres exemples de modèles, cliquez sur l’onglet Fichier puis, dans l’onglet Nouveau, cliquez sur Exemples de modèles.