Résumé : RLS R  0,70 Relation très forte

BOULAHOUAL ADIL
0,50  R  0,69 Relation forte
R : Le coefficient de corrélation mesure la force de la relation entre deux variables. 0,30  R  0,49 Relation modérée
0,10  R  0,29 Relation faible
0,01  R  0,09 Relation très faible
R = 0,00 Relation nulle

R2 ou R-Deux : Mesure la part expliquée de la variable dépendante par la variance de la variable indépendante.
Exemple : Variable dépendante : Rendement
Variable indépendante : Motivation.
Si R2 est égale à 0,76 veut dire que 76% de la variance du rendement est expliquée par la variance de la motivation.

ETAPE DE LA REGRESSION LINEAIRE SIMPLE

1- La spécification du modèle consistant à tracer le nuage de point - dit encore diagramme de dispersion - et à soupçonner
l’existence et le type de la relation entre les deux variables.
Procédure sous SPSS : Analyse – Régression – Ajustement de fonction.

2- La validation du modèle se fait à travers plusieurs indicateurs et nous retenons l’analyse de la variance(ANOVA)
Règle de décision : Si la signification de l’ANOVA est inférieure au seuil choisi (α) nous acceptons le modèle, autrement nous
confirmons l’existence de relation entre la variable à expliquer et la variable explicative.
Procédure sous SPSS : Analyse – Régression – Linéaire – Statistiques – Qualité de l’ajustement.
N.B : Dans le cas de la régression linéaire simple, la signification de la variable explicative et la signification de l’ANOVA sont égales.

3- L’estimation des paramètres β0 et β1 : Autrement calculer la b0 et la b1 .

Deux types d'estimations existent : Des estimations ponctuelles et d’autres par intervalle de confiance.
Procédure sous SPSS : Analyse – Régression – Linéaire – Statistiques – Estimation –Intervalle de confiance.

La régression linéaire simple

N.B : Pour le modèle linéaire simple, lorsqu’il est validé par l’analyse de la variance nous n’avons pas à tester les hypothèses car d’office
la signification de la variable indépendante serait inférieure au seuil choisi. De plus, si l’intervalle de confiance de la β0 contient la
valeur zéro(0) ceci n’influence en aucun cas l’existence de relation entre la variable explicative et expliquée, autrement la fonction y=
β0+ β1x deviendrait y= β1x .
Par contre si l’intervalle de la β1 contient la valeur zéro, la fonction s’écrirait y= β 0 ce qui veut dire qu’il n’existe pas de lien entre la
variable x et la y.
Exercice d’application

BOULAHOUAL ADIL
Voulons vérifier l’impact du revenu sur le rendement au seuil de confiance de 95% nous avons opté pour une régression linéaire simple entre ces
deux variables et nous avons obtenu les tableaux suivants :
Récapitulatif des modèles

Modèle R R-deux R-deux ajusté Erreur standard de

l'estimation

1 ,837a ,700 ,691 186,174

a. Valeurs prédites : (constantes), REVENU
R = 0,837 : La relation entre le rendement et le revenu est très forte.
R2 = 0,700 : 70% de la variance du rendement est expliquée par la variance de la motivation.
a
ANOVA

Modèle Somme des carrés ddl Moyenne des carrés D Sig.

Régression 2592523,203 1 2592523,203 74,797 ,000b

1 Résidu 1109145,033 32 34660,782

Total 3701668,235 33
a. Variable dépendante : RENDEMENT
b. Valeurs prédites : (constantes), REVENU
Le modèle linéaire exprimant le rendement en fonction de la constante et du revenu doit être retenu puisque la signification de l’ANOVA (0,000)
est largement inferieur au seuil de signification fixé au départ (0,05).
Coefficientsa

Modèle Coefficients non standardisés Coefficients t Sig. 95,0% % intervalles de confiance pour B

standardisés

A Erreur standard Bêta Borne inférieure Limite supérieure

La régression linéaire simple

(Constante) -425,163 124,930 -3,403 ,002 -679,636 -170,689
1
REVENU ,259 ,030 ,837 8,649 ,000 ,198 ,320
a. Variable dépendante : RENDEMENT
La b1 est égale à -425,163 et la b0 est égale à 0,259, et au niveau de confiance de 95% : - 679,636 ≤ β0 ≤ - 170,689 et 0,198 ≤ β1 ≤ 0, 320
La relation entre le rendement et le revenu peut-être écrite comme suit :
Selon la vision médiane : Le rendement = - 425,163 + 0,259 * le revenu Statistiques

Selon la vision ‘‘pessimiste’’ : Le rendement = - 679,636 + 0,198* le revenu RENDEMENT REVENU

Selon la vision ‘‘optimiste’’ : Le rendement = - 170,689 + 0,320* le revenu Ecart-type 334,921 1082,228
Nous pouvons dire encore que lorsque le revenu augmente de 1082,228 le rendement augmente de 334,921*0,837.