Modèle linéaire généralisé

Ecole des mines de douai | Régression logistique | Etude bibliographique - ADAPI | Emmanuel KOUAMSouhail MOUMANE | | 2010/2011 | | Résumé : Le modèle de régression logistique est un modèle multi variables qui permet d’établir la relation entre une variable Y et n variables X qui peuvent être qualitatives ou quantitatives. La variable Y dépendante est régit par la réalisation ou survenue ou non d’un événement et les variables indépendantes X représentent tous les facteurs susceptibles

Chapitre I : modèles à plusieurs équations et insuffisance des MCO 1-1 Présentation du modèle à plusieurs équations  1-2 Le biais des équations simultanées 1-3 Test de Hausman  Chapitre II : difficultés d'estimations 2-1 Elimination des rétroactions : le passage de la forme structurelle à la forme réduite 2-2 Identifications des paramètres INTRODUCTION Comme on l’a déjà vu précédemment, les modèles traités sont généralement

variable Y ? le montant de l’emprunt 2°) Quel va être l’ordre d’introduction des régresseurs dans le modèle complet linéaire multiple du 1er degré ? X1 : le montant du patrimoine. X2 : le montant des revenus X3 : l’âge du client Justifier : R² (X1,Y) > R² (X2,Y) > R² (X3, Y) et R² (X1,X2) très faible Partie B (21 pts) : On étudie la relation entre Y et X1 selon le modèle [pic] On donne : SP(Y;X1) = 95386,631 1°) Calculer et interpréter concrètement les coefficients de la

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:

La régression logistique On est confronté à des donné qualitatives lorsque l'on étudie des choix (de rachat, de consommation, de comportement, de licenciement) ou des risques de défaillance (prêt). 1. Le modèle dichotomique : Par modèle dichotomique, on entend un modèle statistique dans lequel la variable expliquée ne peut prendre que deux modalités (variable dichotomique). Il s'agit alors généralement d'expliquer la survenance ou non d'un événement, ou d'un choix. On considère un échantillon

échantillon, telle que la moyenne et l’écart type. Nous avons ensuite réalisé des intervalles confiance pour estimer l’espérance. De plus, nous avons réalisé des tests d’hypothèse sur les différentes variables. Enfin, nous avons construit un modèle de régression linéaire. B. LES RESULTATS OBTENUS A) LES VALEURS EMPIRIQUES Nous avons recherché pour chacune des variables la moyenne et l’écart type dans l’échantillon. Nous avons ainsi calculé que l’âge moyen des fumeurs dans l’échantillon est d’environ

l’économétrie Nicolas Jacquemet 1 / 124 Premiers pas : la régression linéaire Premiers pas : la régression linéaire 1 Premiers pas : la régression linéaire Les moindres carrés Applications Les choses sérieuses : Estimation et inférence Magistère ETE (EEP – Université Paris 1) Introduction à l’économétrie Nicolas Jacquemet 20 / 124 Premiers pas : la régression linéaire Premiers pas : la régression linéaire Enquête Emploi : (http://www.insee.fr/fr/nom_def_met/definitions/

précisément vos réponses. Question 1 : A quel modèle correspond ce programme d’ estimation SAS de la …gure 1. Justi…ez votre réponse. Figure 1: Programme Question 2 : Ecrivez le programme d’ estimation par Pseudo Maximum de Vraisemblance du modèle suivant en utilisant la procédure AUTOREG : p y t = zt ht (1) E yt jyt 1 =0 V yt =yt 1 = 0 + 2 1 yt 1 + 1 ht 1 + 2 ht 2 (2) où zt est un bruit blanc faible. Question 3 : Quel(s) modèle(s) utiliseriez vous pour représenter

variées. Pour déterminer quelle est la droite qui aligne les données de notre exemple, nous devons effectuer un ajustement linéaire. Les trimestres sont dénommés xi : x1, x2,…... x12 Les ventes sont dénommées yi : y1, y2,…... y12 [pic] On appelle X la moyenne des xi, donc : X = [pic] On appelle Y la moyenne des yi, donc : Y=[pic] La droite de régression linéaire est de type y = ax + b, Avec: a =[pic] et b =Y - a X |Trimestres |Ventes |xi-X |yi-Y

à obtenir un modèle minimisant les erreurs d'estimations des individus actifs (individus à partir desquels le modèle a été construit), on cherche également à obtenir un modèle qui soit facilement interprétable, et qui permette d'effectuer des prévisions sur des individus (ou des entrées) pour lesquels on ne connaît pas la valeur de la variable explicative. Il faut, bien évidemment, que ces prévisions soient les plus proches possibles de la réalité. Il faut également que les modèles soient stables