Test de Fisher

peuvent être appliquées aux scores des districts, obtenus avec l’ACP, afin de tester le caractère spatial des structures identifiées. Les tests confirment les impressions visuelles (tableau 1). Dray S., les articles de l’Institut d’Analyse Géographique, Septembre 2003, www.iag.asso.fr 6 I (Moran) Probabilité Axe 1 0.567 0.0002 Axe 2 0.1754 0.0704 Axe 3 0.4677 0.0002 Axe 4 0.2716 0.0186 Table 1. Test d’autocorrélation spatiale (Moran) pour les quatre premiers axes de l’ACP centréenormée

utilis´es : e e – les m´thodes factorielles ; e – la classification (clustering), ou apprentissage non supervis´. e Dans les deux cas, de nombreux choix sont laiss´s ` l’utilisateur qui doit e a soit les effectuer en connaissance de cause, soit les tester pour arriver ` une a repr´sentation satisfaisante compte tenu de ses a priori et des conditions e exp´rimentales. Ces choix doivent bien sˆr ˆtre connect´s ` ceux relatifs ` e u e e a a la normalisation des donn´es. e 3.2. Choix m´thodologiques e

construite, il convient de choisir la technique appropriée pour discriminer et opposer les deux groupes. 2.2- L’analyse discriminante : méthode de l’analyse des données recueillies Dans cette recherche, nous avons retenu l’analyse discriminante de Fisher pour avoir une combinaison linéaire optimale des meilleures variables permettant de distinguer les entreprises risquées des entreprises viables. Ce choix se justifie par le fait que, selon plusieurs auteurs, notamment Bardos et Zhu (1997), cette méthode

lois normales. i=1 On peut montrer d’autre part que, sous l’hypothèse de normalité des !i , la quantité : ÅÅÅÅÅÅÅÅÅ2 ÅiÅÅÅÅ suit ÅÅÅ s 2 à Hn - 2L degrés de liberté, et qu’elle est indépendante des quantités A et B. une loi du c ⁄n e 2 3.3. Test d'indépendance des variables s s2 HAL = ÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅÅ êêL2ÅÅ . ÅÅÅÅÅÅÅÅÅ ⁄n Hx -x 2 i i=1 La variable aléatoire A suit une loi normale dont nous avons montré en 2.2 que l'espérance était égale à a et la variance à : Faisons l’hypothèse qu’il

forme algébriques fournissent le point de départ de la recherche empirique économétrique. Cette recherche a pour objectif : - de quantifier la relation entre variables économiques avec l’estimation des paramètres inconnus du modèle - de tester la consistance des hypothèses dérivées de la théorie avec les faits Le modèle peut être alors utilisé pour des analyses de politique économique et des projections a fin prévisionnelles =>.En résumé, l’économétrie est la branche de l’économie

frontière de décision du classifieur. Aussi, ses valeurs influencent le nombre de vecteurs de support du classifieur. De nombreux travaux ont démontré la supériorité du SVM sur les méthodes discriminantes classiques telles que le PMC, le discriminant de Fisher, le réseau RBF, etc. Des versions modifiées du SVM permettent les meilleures performances sur plusieurs bases de données standards [Y. LeCun, L. Bottou, Y. Bengio, and P. Haffner ,2001]. Sa robustesse vis à vis de la dimensionnalité des données et

produit intérieur brut par habitant (PIBH) E ous f a t à l h poth se Ke sie e du e e u a solu, il e iste u e elatio positi e e t e le p oduit pa t te et l pa g e. Do d te e i t oduisa t ette variable comme i a t de l pa g e, o effe tue e fait u test de alidit de ette h poth se. Ai si, une augmentation du PIB par habitant devra accroitre le tau d épargne. 3. Le taux de croissance du PIB réel (CPIB) D après les défenseurs de la th o ie friedmanienne , l pa g e est fo tio e e u pe a e t plutôt

taux n'est pas statistiquement significatif au seuil de 10%. Représenté par une variable indicatrice, où la valeur DUM = 0 est donnée pour les années de bonne récolte, DUM=1 pour les années de sécheresse. 5 4 11 Plusieurs déterminants ont été testés comme les importations en biens d’équipement, le produit intérieur brute PIB hors agriculture et hors administration publique, les dépenses des investissements publics, l’excédent brut d’exploitation net d’impôts, le taux d’intérêt réel, la demande

convergence 1- Fonction non linéaire de Fisher et Student 2- Convergence et asymptotique 3- Loi des grands nombres et la loi centrale limitée Chapitre 4 : Distribution de l’échantillonnage 1- Notion de statistiques 2- Distribution d’échantillonnage des principales statistiques Chapitre 5 : Estimation 1- Estimation ponctuelle 2- Estimation par intervalle 3- Intervalles de confiance pour les paramètres ; moyens Chapitre 6 : Théorème de test d’hypothèse 1- Notion de base :

Cette fonction permet de faire un test et de renvoyer une valeur d´finie en e fonction du r´sultat du test. e Le premier argument est une expression renvoyant vrai ou faux et le second argument est la valeur ` renvoyer quand l’expression est vrai. Enfin le troisi`me a e argument donne la valeur ` renvoyer si l’expression est fausse. a > ifelse( c(2,6,4,7,9)%%2 == 0, "Vrai", "Faux" ) [1] "Vrai" "Vrai" "Vrai" "Faux" "Faux" 2.14 is.na La fonction permet de tester si une ou plusieurs valeurs sont