Académique Documents
Professionnel Documents
Culture Documents
23 décembre 2014
Y1 1 x1,1 · · · x1,p a0 1
Y2 1 x2,1 · · · x2,p a1 2
= .. +
.. .. .. .. .. ..
. . . . . . .
Yn 1 xn,1 · · · xn,p ap n
Y = Xa +
(1)
avec
Y = Y(n,1)
X = X(n,p+1)
a = ap+1,1
= (n,1)
Sidi Mohamed MAOULOUD
Régression Multiple
Les hypothèses
Est celui qui rend minimum la somme des carrées des résidus
â = arg mina i ei2 = arg mina k Y − Xa k2 = arg mina S(a)
P
â = (X T X )−1 X T Y
Y = X â + e
Ŷ = X â = X (X T X )−1 X T Y = HY = PX Y
H est la matrice de projection sur Vect(X )
On a par Pythagore
Y − Ŷ Ŷ − ȳ 1
Y − ȳ 1 = ∈ + ∈
Vect(X )⊥ Vect(X )
− ȳ )2 − ȳ )2 − ŷi )2
P P P
i (yi = i (ŷi + i (yi
SCT SCE SCR
R 2 = SCE /SCT = cos2 θ plus R 2 ≈ 1 meilleur c’est
SCT =k (I − U)Y k2 , SCE =k (H − U)Y k2 et
SCR =k (I − H)Y k2
Sidi Mohamed MAOULOUD
Régression Multiple
Propriétés de e et Ŷ
SCR =k e k2 =k (I − H) k2 =k PX ⊥ k2
⇒ E (SCR) = (n − p − 1)σ 2
SCR
σ̂ 2 = est un estimateur sans biais de σ 2
n−p−1
E (e) = 0 ; V (e) = σ 2 (I − H)
E (Ŷ ) = Xa ; V (Ŷ ) = σ 2 H
cov (e, Ŷ ) = 0
SCE /p
F = ∼ fp;n−p−1
SCR/(n − p − 1)
T
xn+1 = (1, xn+1,1 , xn+1,2 , ..., xn+1,p ) des nouvelles valeurs pour
les prédicteurs ;
T a+
On a Yn+1 = xn+1 T
n+1 . On pose Ŷn+1 = xn+1 â ,
en+1 = Yn+1 − Ŷn+1
On a E (en+1 ) = 0 ; V (en+1 ) = σ 2 xn+1 (X T X )−1 xn+1 + 1
T
Intervalle de prévision
q
T T (X T X )−1 x
IC1−α (Yn+1 ) = xn+1 â±t1−α/2;n−p−1 σ̂ xn+1 n+1 + 1