Vous êtes sur la page 1sur 24

Bienvenue

Régression linéaire multiple (RLM)

Silvester IVANAJ
Management de la Supply Chain et des systèmes d’information.
Document à lire
Livre : Caumont, D., & Ivanaj, S. (2017). Analyse des données. Dunod

Chapitre 6 : Comment réaliser et valider des prévisions

Section 2 : La régression linéaire multiple (RLS), pp. 221 – 240

Disponible en ligne : myICN/knoledgeHub/scholarvox

11/24/2021 2
Objectif de la méthode
Variable X1
Niveau H1
conceptuel Variable X2 H2
Variable Y
Variable X… H3
H4
Variable Xp

Forme des
données

Objectif La régression linéaire multiple explique la variation d'une variable dépendante (à expliquer) par l'action
de plusieurs variables indépendantes (explicatives).
Problématique

La problématique reste la même que pour la régression simple :


• Conditions d’application
• Principe de la méthodes
• Déterminer les coefficients de régression
• Evaluer la qualité globale du modèle linéaire
• Mesurer le pouvoir explicatif du modèle
• Evaluer la qualité individuelle des variables indépendantes
• Analyser la colinéarité des variables explicatives
Conditions d’application

Silvester Ivanaj - ICN Business School - Régression Linéaire Simple 24/11/2021 5


Conditions d’application de la RLM

• Toutes les variables doivent être des échelles de proportion,


• Les variables explicatives doivent être indépendantes les unes
des autres, colinéarité.

• La distribution des résidus (erreurs) doit suivre la loi normale de


moyenne zéro des de variance constante (homoscédasticité).

• Les erreurs doivent être indépendantes des variables explicatives


• …
Principe de la méthodes

Silvester Ivanaj - ICN Business School - Régression Linéaire Simple 24/11/2021 7


Principe de la méthode
Cas de deux variables explicatives

Source :
Caumont, D., & Ivanaj, S.
(2017). Analyse des
données. Dunod
Principe de la méthode
Généralisation
• Pour la population

• Pour un échantillon
Estimation des coefficients

Silvester Ivanaj - ICN Business School - Régression Linéaire Simple 24/11/2021 10


Déterminer les coefficients de régression
Méthodes

• Matricielle
• Les systèmes d’équations dite « normales »

• Calculs par des logiciels (SPSS par exemple) :


Evaluer la qualité globale du modèle
Coefficient de détermination multiple

Silvester Ivanaj - ICN Business School - Régression Linéaire Simple 24/11/2021 13


Le pouvoir explicative du modèle
Similaire à la RLS
Décomposition de la variance

Coefficient de corrélation multiple : 𝑅 𝑅


Signification globale du modèle
Test de Fisher

Silvester Ivanaj - ICN Business School - Régression Linéaire Simple 24/11/2021 15


La qualité globale de la RLM
Hypothèse nulle : 𝛽 𝛽 ⋯ 𝛽 =0

𝑛 𝑝 1 𝑅 𝑛 𝑝 1 𝑆𝐶𝐸
Statistique : 𝐹
𝑝 1 𝑅 𝑝 𝑆𝐶𝐸

Où p est le nombre des variable explicatives

La variable auxiliaire F suit la loi de Ficher‐Scedecor à v1=p et v2=n‐p‐1


degrés de liberté.

Décision : La règle de décision est la suivante :
Si pour un seuil d’érreur  , Fobs > Fth alors le modèle est significatif au seuil 
d’erreur . 
Signification des coefficients
Tests de Student

Silvester Ivanaj - ICN Business School - Régression Linéaire Simple 24/11/2021 17


La qualité individuelle des variables

suit la Loi de Student avec 𝑣 𝑛 𝑝 1 degrés de libertés. Pour tester les 


coefficients un à un, il faut donc calculer  la valeur observée pour chauque
coéficient et la comparer à la valeur théorique de la table de Student.
Intervalle de confiance de la pente j
Exemple de calcul - SPSS
Choix du modèle le plus parcimonieux

PROCEDURES
• Introduction de toutes les variables
méthode Entrée
• Introduction progressive des variables
méthode forward
• Elimination progressive des variables
méthode backward
• Régression pas-à-pas
méthode stepwise
Multicolinéarité
Multicolinéarité - SPSS
(Valeur limite = 0,2:
Si < 0,2 problème colinéarité)
• Tolérance

• Vif = 1/Tolérance
Valeur limite = 5:
Si > 5 problème colinéarité
• Contact

Silvester IVANAJ

• ICN Business School


• 86 rue du Sergent Blandan
• CS 70148
• FR 54003 Nancy Cedex

Vous aimerez peut-être aussi