Linéaire A

Apolline ABAUZIT Ella de GAULEJAC PROJET STATISTIQUES n°27 DE L’EFFORT ET DU POIDS I) Analyse préliminaire A) Analyse des données brutes et présentation de l’objectif de l’étude À un instant t, on mesure pour 20 individus les valeurs de trois variables physiques (poids en livres, tour de taille en pouces et pouls en pulsations/min) et de trois variables physiques (tractions, flexions et sauts). individu poids tour.de.taille pouls tractions flexions sauts 1 191 36 50 5 162 60 2 189 37 52 2 110

décisions à partir de l’observation d’un ensemble de données Méthode Construction d’un modèle économétrique pour chaque type d’étude Outils 1) Théorie de l ’information et concepts d’optimalité → construction dd’une une population exhaustive : pas tjs facile …. →Ouest Solution : échantillonnage U. Paris L. Ferrara, 20122012-13 2) Modèles économétriques: Modèles probabilistes : loi de distribution de l’échantillon Modèles paramétriques : modèles de régression linéaire et nonnon linéaire, modèles

Régression Linéaire Multiple Ricco RAKOTOMALALA Université Lyon 2 Laboratoire ERIC 1 PLAN 1. 2. 3. 4. Changements structurels Test de Chow – Principe Stabilité de la constante Stabilité de la pente Université Lyon 2 Laboratoire ERIC 2 Changements structurels Données longitudinales Principe : La relation entre l’endogène et les exogènes est modifiée au cours du temps, à partir d’une date donnée. La régression sur l’ensemble de la période est différente de la régression sur les sous-périodes

Introduction à l’économétrie Magistère ETE (Economie Théorique et Empirique) 1˚ année Université Paris 1 Panthéon–Sorbonne & Ecole d’Economie de Paris Nicolas Jacquemet (nicolas.jacquemet@univ-paris1.fr) Documents et informations: http://epi.univ-paris1.fr/mageco1 Magistère ETE (EEP – Université Paris 1) Introduction à l’économétrie Nicolas Jacquemet 1 / 124 Premiers pas : la régression linéaire Premiers pas : la régression linéaire 1 Premiers pas : la régression linéaire Les

Applications régression (II) Applications régression linéaire simple 1. Une agence immobilière veut réaliser une prévision sur le prix de vente de certaines maisons en fonction de leur surface habitable, basée sur un modèle de régression linéaire simple. Les résultats obtenus en utilisant le logiciel Excel pour les données enregistrées dans le cas d’un échantillon de 15 maisons sont les suivants: Applications régression linéaire simple SUMMARY OUTPUT Regression Statistics Multiple R 0.9036 R

alternant avec des plans courts, on crée un suspense. Exemple : une voiture roule à vive allure sur une route secondaire, venant de la direction opposée un motard roule sur l'axe médian. Le montage associatif : juxtaposition de scènes, au demeurant sans rapport, qui déclenchent chez l'observateur, des associations d'idées. Cependant rien n'est dit, ni montré directement. Exemple : un homme achète un billet de loterie, à la scène suivante, il est dans une agence de voyage. Le montage de remplacement :

1/13 Etude de Cas : Fritz ketchup Le producteur d’une marque de ketchup Fritz veut savoir si, et si oui, dans quelle mesure, des campagnes publicitaires influencent les ventes de la marque. On a accès à 124 observations d’un supermarché (il s’agit donc d’une série chronologique). La variable à expliquer est : • S = ventes hebdomadaires de Fritz (US dollar) Les • • • • variables explicatives sont : P : prix de vente (US dollar) Coupon : promotion seulement via des coupons (oui=1/non=0) Display

Stéphane TUFFERY Université Rennes 1 Master 2 Ingénierie économique et financière Octobre 2011 14/10/2011 © Stéphane Tufféry - Usage réservé à l’Université Rennes 1 1 Présentation de l’intervenant     Responsable de l’équipe statistique dans un grand groupe bancaire Enseigne le data mining en Master 2 à l’Université Rennes 1 et à l’Université Catholique de l’Ouest (Angers) Docteur en Mathématiques Auteur de :  Data Mining et Statistique Décisionnelle, Éditions Technip

Plan Analyse Factorielle Discriminante de Fisher (AFD) Régression linéaire au sens des moindre carrées Analyse Discriminante Linéaire (ADL) Lien entre AFD, ADL et RMC Synthèse sur AFD, ADL, RMC et RL Avantages et Inconvénients de ADL Projection, Discrimination et Classification Régression Logistique Massih-Réza Amini Techniques d’Analyse de Données et Théorie de l’Information Master M2 IAD – Parcours Recherche amini@poleia.lip6.fr http://www-connex.lip6.fr/~amini Exemple d’application:

Modèle linéaire contre modèle logistique en régression sur données qualitatives Philippe Cibois Département de sociologie, Université de Versailles - St-Quentin cibois@francenet.fr Abstract. The Linear Model Versus The Logistic Model in Regression on Qualitative Data. Regression on qualitative data is usually done by using a logistic model. By examining data where "everything is otherwise equal" one can show that the linear model is quite compatible with this type of data. Results of an