Les posteurs les plus actifs de la semaine
Aucun utilisateur |
Sujets les plus vus
Analyse de régression multiple
Page 1 sur 1
Analyse de régression multiple
Bonjour, j'ai deux questions auxquelles je ne trouve pas de réponse précise étant donnée ma formation très limitée en statistique.
Il y a-t-il des conditions pour pouvoir appliquer une analyse de régression multiple ?
Par exemple : la variable dépendante et les variables explicatives doivent-elles se distribuer normalement? il y a-t-il d'autres conditions?
Lorsque le l'on applique une méthode de normalisation des variables (une racinne carrée par exemple) doit-on appliquer la racine carrée à toutes les variables de l'analyse ou simplement à celle qui ne se distribue pas normalement?
Je suppose que ça peut sembler très bêtes à certains mas j'ai vraiment du mal a comprendre les raisons qui font que l'ont peut appliquer certains tests et pas d'autres...
Il y a-t-il des conditions pour pouvoir appliquer une analyse de régression multiple ?
Par exemple : la variable dépendante et les variables explicatives doivent-elles se distribuer normalement? il y a-t-il d'autres conditions?
Lorsque le l'on applique une méthode de normalisation des variables (une racinne carrée par exemple) doit-on appliquer la racine carrée à toutes les variables de l'analyse ou simplement à celle qui ne se distribue pas normalement?
Je suppose que ça peut sembler très bêtes à certains mas j'ai vraiment du mal a comprendre les raisons qui font que l'ont peut appliquer certains tests et pas d'autres...
Saule_Cygne- Nombre de messages : 2
Date d'inscription : 23/07/2008
Re: Analyse de régression multiple
Si Y = X.q + e
avec q vecteur de paramètres
e le vecteur des erreurs
X la matrice constituée des variables
Les 4 hypothèses fondamentale d'un modèle linéaires sont :
1. les erreurs sont centrés (leurs espérances sont nulles) : E(e) = 0.
2. la variance des erreurs est constantes var(ei)=s² pour tout i : hypothèse d'homoscédasticité
3. les variabmes ei sont indépendantes
4. Les données suivent des lois gaussiennes, soit ei ~ N(mi,s²i) pour tout i
L'hypothèse 4 est la moins importante, dont on peut se passer si les données sont suffisement importantes.
Ceci est issu de : Le modèle Linéaire par l'exemple. Azaïs et Bardet 2006.
micros
avec q vecteur de paramètres
e le vecteur des erreurs
X la matrice constituée des variables
Les 4 hypothèses fondamentale d'un modèle linéaires sont :
1. les erreurs sont centrés (leurs espérances sont nulles) : E(e) = 0.
2. la variance des erreurs est constantes var(ei)=s² pour tout i : hypothèse d'homoscédasticité
3. les variabmes ei sont indépendantes
4. Les données suivent des lois gaussiennes, soit ei ~ N(mi,s²i) pour tout i
L'hypothèse 4 est la moins importante, dont on peut se passer si les données sont suffisement importantes.
Ceci est issu de : Le modèle Linéaire par l'exemple. Azaïs et Bardet 2006.
micros
Invité- Invité
Re: Analyse de régression multiple
Ok, merci pour cette réponse!
Saule_Cygne- Nombre de messages : 2
Date d'inscription : 23/07/2008
Page 1 sur 1
Permission de ce forum:
Vous ne pouvez pas répondre aux sujets dans ce forum