Chapitre I : La régression linéaire simple
Les modèles de régression ont pour objectif d'expliquer la variation d'un phénomène mesurable par celle d'une ou de plusieurs autres variables, et dans la vie de l'entreprise, nous essayons fréquemment de détecter et d'analyser les causes de certains phénomènes, comme la variation des ventes par exemple.
Différents modèles de régression sont possibles.
La régression linéaire (simple ou multiple) estime les paramètres de l'équation théorique permettant de calculer le niveau de la variable dépendante en fonction des niveaux des variables indépendantes.

1. La corrélation
Le coefficient de corrélation de Pearson est une mesure d'association qui permet d'établir si deux variables mesurées sur le même ensemble d'observations varient de façon analogue ou non. C’est une mesure de la force et du sens du lien entre deux variables métriques.
Une corrélation proche de 1 en valeur absolue signifie que deux variables sont linéairement liées entre elles et peuvent s'expliquer mutuellement. Lorsque r est proche de + l, cela veut dire que les deux variables varient dans le même sens. Lorsque r est proche de -l, cela signifie que les deux variables varient en sens inverse l'une de l'autre. Et quand r est proche de 0, il y a une faible corrélation.

2. La régression linéaire simple
La régression linéaire vise à expliquer et à prédire une variable dépendante par une ou un ensemble de variables indépendantes quantitatives.
La régression vise à expliquer, à estimer ou à prédire la valeur d'une variable à partir des valeurs d’une autre variable explicative. Par exemple, on peut expliquer le nombre d’SMS envoyé par l'âge du client.
Les différentes étapes d’une régression linéaire sont au nombre de quatre :
1- Spécification du modèle
L'approche linéaire est inadéquate lorsque la variable dépendante est de nature qualitative. Nous préférerons alors un modèle de régression logistique binaire ou multinomiale lorsque la variable dépendante en