Colinéarité

les plus grandes entreprises. Dans une étude de synthèse, Rosen (1982, p. 186) conclut sur l’uniformité de cette relation à travers les entreprises, les secteurs d’activité, les pays et les périodes. Toutefois, ces études révèlent un problème de colinéarité entre le profit et le chiffre d’affaires et elles ont tenté de concevoir des méthodes d’analyse pour pallier ce problème. En effet, Lewellen et Huntsman (1970) mesurent la rémunération, les ventes et les profits relativement aux actifs totaux de

technique statistique pour tester les relations parfois compliquées entre des construits, notamment dans un contexte marketing (Fornell et Lacker, 1981 ; Valette-Florence, 1988, 1993). Toutefois, compte tenu de la complexité du modèle, de la multi-colinéarité entre deux dimensions du baromètre et du nombre d’observations parfois limité pour les catégories des variables modératrices, il s’est avéré que les paramètres n’étaient pas stables après avoir effectué une procédure de bootstrap. De ce fait,

l’effet propre de l’apprentissage. Cependant, cette pratique est réservée à des recherches et peu adapté aux pratiques classiques d’évaluation. En outre, dans de nombreuses études, la mise en œuvre de ce traitement est gênée par la présence de colinéarité entre les variables. À l’issue d’un ensemble d’études menées pour comparer les propriétés des différents indices de potentiel d’apprentissage, Loarer (2000) conclut que l’indice le plus commode à utiliser et le plus valide est bien le score au post-test

compréhension de la relation gène-peptide et le codage de l’information génétique. À partir d’un grand nombre de mutants ponctuels du gène de la tryptophane synthétase de coli et des révertants au site muté pour chacun de ces mutants, on a pu établir la « colinéarité gène-protéine », à savoir que la position relative des mutations dans le gène (carte fine établie par croisements, chapitre 6) correspondait à la position des acides aminés modifiés dans la chaîne peptidique. Ce résultat a conforté l’idée que l’ordre

savoir: – H1: les valeurs xt sont observées sans erreurs; – H2: ε ~N(0;σ²), avec la variance constante; – H3: E(εt εs)=0, t≠s: les erreurs sont indépendantes; – H4: Cov(xit;εt)=0: l’erreur est indépendante des variables explicatives; – H5: absence de colinéarité entre les variables explicatives: la matrice (XTX) est régulière et que la matrice (XTX)-1 existe; – H6:(XTX)/n tends vers une matrice finie non singulière; – H7: n > m+1: le nombre d’observations est supérieur au nombre des variables explicatives

V ) . y M P U I O V ni Mo er A n ie re Monie lgèb r éom é bre G r Algè onier étr ie M éom onier èbre M r Alg G Mo n ie Mo Choix d’un paramètre. M Paramétrons : tr i e Géomé x N t2 ,t , t ∈ R . 2p −→ dM t ,1 , ou encore, par colinéarité, (t, p). dt p D'où une EC de la normale Nt en M à P : t2 + p(y − t) = 0. t x− 2p On étudie alors Nt ∩ P :  2  y = 2 px t2 (x,y) ∈ Nt ∩ P ⇐⇒ + p(y − t) = 0 t x − 2p  y2    x = 2p ⇐⇒  t   (y − t) (y + t) + p = 0, 2p Un vecteur tangent en