Kurtosis

d’importance. Tableau 1 : Caractéristiques des attributs de choix du vin Variables Importance prix (V1) Importance marque (V2) Importance pays d’origine (V3) Importance packaging (V4) Importance couleur du vin (V5) Minimum Maximum Moyenne Skewnness Kurtosis Ecart-type 0 0 0 0 0 15 20 14 7 14 4,66 6,33 2,91 2,65 3,45 1,133 1,476 1,082 -0,198 0,411 2,539 1,890 3,237 -0,886 2,463 2,674 3,764 2,310 1,734 2,084 Il se dégage de ce tableau que l’importance accordée à chacun des attributs du choix du vin

hypothèses contraignantes notamment le respect de la multinormalité des variables (Roussel et al., 2002). Les résultats ont montré que les coefficients de symétrie (Skewness) n’ont pas dépassé 3 (en valeur absolue), les coefficients de concentration (Kurtosis) n’ont pas atteint 8 (en valeur absolue) et le coefficient de concentration multivariée (MARDIA) s’élève à 1,78 (< |3|). 4.3.3. Interprétation des liens et des coefficients de régression : L’examen des ratios critiques correspondants aux processus

| 834.0500 | | Median | 26.00000 | | Maximum | 3889.000 | | Minimum | 17.00000 | | Std. Dev. | 1435.898 | | Skewness | 1.269368 | | Kurtosis | 2.780708 | | | | | Jarque-Bera | 5.411060 | | Probability | 0.066835 | | | | | Sum | 16681

|Minimum |-6.320000 |0.000130 |0.000000 | |Std. Dev. |3.736899 |0.334744 |0.022079 | |Skewness |1.784899 |3.823129 |0.964425 | |Kurtosis |8.836733 |18.04102 |2.352823 | | | | | | |Jarque-Bera |52.66227 |320.2847 |4.656716 | |Probability

0,00 0,08 1 0 1 2 3 4 5 S4 3 2 4 1 3 5 5 4 5 5 3,70 4,00 5,00 1,81 1,35 -0,80 -0,38 Différence de forme 6 5 4 S3 S4 3 S5 2 S5 3 4 2 5 3 1 1 2 1 1 2,30 2,00 1,00 1,81 1,35 0,80 -0,38 2 Moyenne Médiane Mode Variance Ecart-type Skewness Kurtosis 3,00 3,00 1,00 2,00 1,41 0,00 -1,33 8,00 8,00 6,00 2,00 1,41 0,00 -1,33 2008/2009 1 0 1 2 3 4 71 5 Paramètres de position Paramètres de position • Objectif : déterminer une valeur centrale • Moyenne arithmétique – Exemple 3 :

implique cependant que l’on néglige les autres moments de la distribution des rendements. Par exemple celui représentant l’asymétrie de la distribution des rendements (la skewness) ou celui mesurant l’importance relative des évènements extrêmes (la kurtosis). Plusieurs justifications peuvent être avancées à cette hypothèse espérance variance (voir annexe). Certaines exploitent les propriétés de certains fonctions d’utilités élémentaires pour montrer que l’utilité espérée dépend pour celles-ci uniquement

d'observa; ons 133.00 133.00 36.00 26.00 133.00 133.00 133.00 133.00 133.00   moyenne 3176.11 médiane 2414.00 minimum 679.00 maximum  11409.00   écart  type 2390.19 Asymétrie   (skewness   N=0      ) 7.00 Apla;ssem ent   (kurtosis   N=3      )   4.02   Jarque-­‐ Bera       5.63 0.00 0.00 33.86 10.09 6.99 9.55 1.39 0.00 33.86 11.82 2.08   15.60 20.95 0.02 33.86 11.24 -­‐1.14     35.60 25.88 7.38 105.63 20.44 5.39 48.72 39.98 11.68 136

identique à celui de Box et Pierce. Dans la cas d'un résidu hétéroscédastique, il convient d'utiliser la statistique de Box-Pierce corrigée Q'. a) Les tests du Skewness et de Kurtosis : Soit Pk = 1 (Xi X)k le moment d'ordre k, le coefficient de Skewness ( /2) est égal à : i (3/2 P3 = 3/2 P2 et le coefficient du Kurtosis (32 = P42 P 2 . 1 Régis Bourbonnais, Michel Terraza, Analyse des séries temporelles, Edition DUNOD, 2004 Si la distribution est normale et le nombre d'observation grand

indique une distribution décalée vers les valeurs les plus négatives. Le coefficient de Kurtosis mesure le degré de concentration des observations autour de la valeur centrale (la moyenne). On parle de distribution leptocurtiques dans le cas où les observations sont fortement concentrées autour de la moyenne (Kurtosis positif) et de distribution platycurtiques si les observations sont très dispersées (Kurtosis négatif). La courbe normale centrée réduite est une courbe mésocurtique, dont le coefficient

la condition SMC &gt; 0.50. Les résultats de l’AFC2, réalisée sur les 21 items restants, vérifient le principe de multi-normalité des données. La multi-normalité a été testée à l’aide des coefficients de symétrie (Skewness) et de concentration (Kurtosis). La lecture de ces coefficients associés à chaque item ne signale aucun problème de multi-normalité. Aussi, le coefficient de Mardia est de 0.2819 (&lt;3). L’analyse factorielle confirmatoire nous fournit deux types d’indices : les indices d’ajustement