Test de régression

”cliqueur”, moi les propriétés asymptotiques des MCO et des statistiques de test de Student c’est pas mon problème ! Certes, mais l’ignorance de ces propriétés asymptotiques particulières peut conduire, par exemple dans le cas d’un processus DS à des erreurs de diagnostics et à des modélisations totalement fallacieuses. Prenons un exemple concret : le seuil asymptotique de significativité à 5% d’une statistique de Student d’un test de nullité sur un coefficient. Tout économètre, même ”cliqueur”, doit savoir

La régression Encadré par: Mr. Karim Doumi Présenté par : Meryem Zakri Zineb Dib La régression simple La régression est une méthode statistique qui traite les valeurs d’une variable dépendante Y comme étant fonction des valeurs prises par une ou plusieurs variables indépendantes X La régression simple (= bivariée) comprend une seule variable indépendante L’équation de régression a donc la forme: La régression simple Y= a + bX + eᵢ Y : variable dépendante (à expliquer) X : variable indépendante

de ces modèles, ils sont utilisés tout de même. Pour la prévision de la défaillance. On distingue : * Techniques économétriques paramétrées : Dans les premières applications de l’économétrie à l’évaluation du risque de crédit, c’est le modèle de régression multiple qui a été utilisé, la variable à estimer Zi prend deux valeurs : Zi = 0 ou Zi = 1 selon que l’emprunteur appartient ou non au groupe des individus ayant connu un défaut de paiement. Ainsi, pour un vecteur Xi de variables explicatives :

recherche est de s’interroger d’une part sur les pratiques de reporting sociétal interne et externe de la PME, et d’autre part d’identifier quels peuvent être les déterminants de ce reporting pour ce type d’entreprise. En particulier, nous cherchons à tester l’hypothèse que les déterminants du reporting sociétal en PME sont spécifiques et non identiques à ceux de la grande entreprise. Nous testons dans un premier temps une série d’hypothèses qui transposent celles vérifiées dans la littérature à l’égard

d’effectif fini 15 • Les tests statistiques 15.1 Notions générales sur les tests statistiques 15.2 Différentes catégories de tests statistiques VI 195 198 199 202 203 210 210 212 213 218 220 220 221 227 228 229 232 235 235 238 253 255 255 263 15.3 Test entre deux hypothèses simples et méthode de Neyman et Pearson 15.4 Tests entre deux hypothèses composites 15.5 Principaux tests paramétriques 16 • Tests d’ajustement et de comparaison 16.1 Tests d’ajustement 16.2 Tests de comparaison d’échantillons

ANALYSE DE LA VARIANCE A UN FACTEUR 1. Introduction Nous allons voir comment la technique du test de Fisher (voir Régression linéaire multiple) peut être utilisée pour apprécier d'un certain point de vue la pertinence de certains classements d'observations. Posons le problème sur l'exemple concret (mais artificiel) suivant : On observe les dépenses annuelles en vêtements de n = 7 individus, qui habitent des grandes villes, des communes moyennes, ou des communes rurales : Trois observations

traite des problèmes rencontrés par l’ingénieur dans le domaine de la décision : échantillonnage, estimation et tests d’hypothèse, tests de comparaison, tests d’ajustement, régression. • La quatrième partie propose un résumé de l’analyse des données. Cette nouvelle édition a été augmentée d’un chapitre sur la régression multiple. 2e édition RENEE VEYSSEYRE est agrégée de mathématiques et professeur honoraire à l’École centrale de Paris. STATISTIQUE ET PROBABILITÉS POUR L’INGÉNIEUR

FICHE CONSEIL numéro 11 Notions de base en statistiques POURQUOI UTILISER LES PROBABILITES DANS UNE ETUDE MARKETING ? Par exemple, lors d’un test de produit, on obtient les résultats suivants : 55 % des personnes interrogées préfèrent le produit A et 45 % préfèrent le produit B. Le résultat est-il une conséquence du hasard ? Si l'on refait le test, obtient-on un résultat similaire ? A est-il préféré à B ? Les risques : 1. Risque α : Risque de croire vraie une différence qui n'existe pas 2. Risque

visite quotidienne dans les rayons et entretien avec le chef de rayon. Quatre enquêtes ont été éliminées car les articles cités en rupture de stock n’étaient pas référencés par le magasin. L’analyse des données Les données ont été analysées par une régression logistique afin d’expliquer de façon plus précise la relation entre la variable à expliquer (un comportement) et les variables explicatives (facteurs d’influence). La préparation des variables Une fois effectuée la sélection des variables explicatives

(2/n)E(Xi) = (2/n)*(nϑ/2) = ϑ car Xi ≅ U(0,ϑ) ⇒ ϑ est sans biais Les tests Principes de base des tests d’hypothèses : Ex) H0 = hypothèse nulle simple car sous la forme d’une égalité : µ = 10 H1 = hypothèse alternative unilatérale ou bilatérale µ > 10 Le test statistique nécessite une statistique pour savoir si c’est H0 ou H1 qui est vraie et une règle qui permet de décider si H0 ou si c’est H1 ⇒ définition d’un intervalle d’acceptation de H0 Ra et d’un intervalle de rejet de H0 Rr. Les bornes sont les