Régression linéaire

Deux approches de programmation linéaire en nombres entiers pour la conception de roulements de personnels sédentaires François Ramond & David De Almeida SNCF Direction de la Recherche et de la Technologie 45 rue de Londres 75379 Paris Cedex 08 francois.ramond@sncf.fr Stéphane Dauzère-Pérès (Ecole des Mines St Etienne, France) Hanif Sherali (Virginia Tech, USA) Plan de la présentation • • • • • Introduction Formulation à base de variables journalières Formulation à base de patrons hebdomadaires

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

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:

explicatives est très élevé, ce qui rend pourtant, d'un point de vue théorique, la construction d'un modèle, représentatif de la réalité, très délicate. C'est précisément ce à quoi tente de répondre la régression Logistique. Comme nous allons le constater tout au long de ce travail, la régression linéaire simple ou multiple, répondant au simple critère des MCO (moindres carrés ordinaires), est souvent prise à défaut lorsqu'il s'agit d'applications de ce type. Soit, tout simplement, parce que les conditions

variable à expliquer (ou « cible », « réponse », « dépendante ») est qualitative   Prédiction : la variable à expliquer est quantitative     on parle aussi de classification (en anglais) ou de discrimination on parle aussi de régression ou d’apprentissage supervisé (réseaux de neurones) exemple : le prix d’un appartement (en fonction de sa superficie, de l’étage et du quartier) Scoring : classement appliqué à une problématique d’entreprise (variable à expliquer souvent binaire)

point. Que constatez-vous ? 2. Estimer un modèle linéaire et faire les tests appropriés d’hétéroscédasticité. 3. Après avoir déterminée la forme de l’hétéroscédasticité, faire l’estimation d’un nouveau modèle. Comparer avec le précédent. 4. Faire une estimation par MCG avec les formes d’hétéroscédasticité suivantes : Comparez les résultats obtenus. Appli 3 : Objectif : Faire une correction de l’hétéroscédasticité pour une régression unique pour deux catégories d’individu avec des

Annexe n°3 Le Modèle Linéaire Général 1. Estimation des paramètres du modèle Soit le modèle linéaire général : estimé est : Yi = γ 0 + γ 1 X 1i + γ 2 X 2i + L + γ k X ki + U i (i = 1,L, n) . Yi = γˆ0 + γˆ1 X 1i + γˆ 2 X 2i + L + γˆ k X ki + ei Le modèle La forme matricielle de ces n équations est : ⎡Y1 ⎤ ⎡1 X 11 L ⎢Y ⎥ ⎢1 X L 12 ⎢ 2⎥ = ⎢ ⎢ M ⎥ ⎢M M L ⎢ ⎥ ⎢ ⎣Yn ⎦ ⎣1 X 1n L (n ;1) = (n ; k + 1) X k 1 ⎤ ⎡γˆ0 ⎤ ⎡ e1 ⎤ ⎥ ⎢ γˆ ⎥ ⎢e ⎥ X k2 ⎥ ⎢ 1 ⎥ + ⎢ 2⎥ ⎢M⎥ M ⎥ ⎢M⎥ ⎥ ⎢ ⎥ ⎢ ⎥ X kn

cadre de cette étude étaient de montrer l'utilité du modèle de régression logistique multinomiale pour identifier les adolescents à grand risque de santé dépendamment de leurs caractéristiques personnelles ainsi que familiales. Les auteurs voulaient aussi bien que les psychologues et les éducateurs puissent utiliser les résultats du modèle pour mettre sur pied des programmes de prévention, ainsi que d’appliquer la technique de régression logistique polyvalente dans la recherche psychologique, éducative

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

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 régression (1/10000ème): mx = 139.7537 my = 67.2585 SP/n = 9538