StatproAcademy

Contact auteur : +212 694 694 981

Chaine youtube : StatProACADEMY - YouTube
Page facebook : Facebook

NB : c’est juste un petit exemple de rapport d’etude de regression multiple(il ya plusieurs details qui n’ont pas
été ajoutés)

Brève introduction :
Dans le cadre de cette étude, nous disposons de deux hypothèses que nous voulons tester à savoir :

Hypothèse 1 : La variable éducation Influence positivement le salaire gagné par un individu.

Hypothèse 2 : La variable nombre d'années d'expérience a une influence positive sur le salaire gagné
par un individu.

Dans un premier temps, nous allons d'abord mener une étude descriptive des variables et par la suite,
nous allons présenter les résultats de l'étude de régression.

Etude descriptives des variables :

1) Etude descriptive Univariée :

D’après le tableau ci-dessous, on constate que le salaire moyen est égal à 5,89 $. Le nombre moyen
d’années d'éducation est autour de 12,56 ans. Enfin, la moyenne du nombre d'années d'expériences
est égale à 17 ans.

Statistiques descriptives
Moyenne Ecart type N
wage 5,8961 3,69309 526
educ 12,56 2,769 526
exper 17,02 13,572 526

2) Etude descriptive multivariée :

À partir des deux nuages de points, on remarque une relation croissante entre la variable salaire et la
variable nombre d'années d'éducation et également une relation croissante entre la variable salaire et
la variable nombre d'années d'expérience. Du coup, on s'attend au niveau des résultats de la
régression multiple que ces deux variables explicatives influencent positivement la variable salaire. En
outre, le tableau de corrélation signale que les coefficients de corrélation sont tous positifs. En effet, le
coefficient de corrélation entre la variable salaire et la variable éducation et celui entre la variable
salaire et la variable nombre d'années d'expérience sont respectivement 0.406 et 0.113.

Afin de vérifier ces constats, nous allons estimer le modèle de régression multiple suivant :

𝑤𝑎𝑔𝑒 = 𝐶 + α1 * 𝑒𝑑𝑢𝑐 + α2 * 𝑒𝑥𝑝𝑒𝑟

Figure 1 : Nuage de points mettant en relation la variable « Wage » et la variable « educ »

 Figure 2 : Nuage de points mettant en relation la variable « Wage » et la variable « exper »

Table 1 : Résultats d’étude de corrélation

Corrélations
wage educ exper
wage Corrélation de Pearson 1 ,406** ,113**
Sig. (bilatérale) <,001 ,010
N 526 526 526
educ Corrélation de Pearson ,406** 1 -,300**
Sig. (bilatérale) <,001 <,001
N 526 526 526
exper Corrélation de Pearson ,113** -,300** 1
Sig. (bilatérale) ,010 <,001
N 526 526 526
**. La corrélation est significative au niveau 0.01 (bilatéral).

Interprétations des résultats du modèle de régression multiple :

Dans le tableau récapitulatif des modèles, On trouve que le coefficient de détermination R- deux est
égal à 0,225. Cela signifie que 22,5% de la variabilité de la variable salaire est expliquée par ces deux
variables (edu et exper).
 Récapitulatif des modèles
Erreur standard
Modèle R R-deux R-deux ajusté de l'estimation
1 ,475a ,225 ,222 3,25704
a. Prédicteurs : (Constante), exper, educ

Les résultats de l'analyse de la variance (Anova), nous montrent que le modèle est globalement
significatif. En effet, la p-value du test de Fisher est même en dessous de 0,001(<0,001).Autrement dit,
la variable éducation et la variable nombre d'années d'expérience expliquent ensemble bel et bien la
variable salaire même au risque d’erreur 1%.

ANOVAa
Somme des
Modèle carrés ddl Carré moyen F Sig.
1 Régression 1612,255 2 806,127 75,990 <,001b
de Student 5548,160 523 10,608
Total 7160,414 525
a. Variable dépendante : wage
b. Prédicteurs : (Constante), exper, educ

A partir des résultats dans la table des coefficients on peut déduire la relation suivante :

𝑊𝑎𝑔𝑒 =− 3. 391 + 0. 644 * 𝑒𝑑𝑢𝑐 + 0. 07 * 𝑒𝑥𝑝𝑒𝑟

Le tableau ci-dessous contient les résultats des coefficients estimés. On constate que les coefficients
associés à la variable éducation et la variable nombre d'années d'expérience sont tous positifs. Ces
coefficients sont tous significatifs au risque d’erreur 1%.En effet , les p-values associées aux tests de
student pour chacun des deux coefficients sont en dessous de 1%.Cela vient confirmer ce que nous
avons constaté dès au niveau des analyses descriptives.
Ces résultats permettent ainsi d’accepter les deux hypothèses formulées au départ.
Le coefficient associé à la variable éducation est égal à 0.644. Ainsi, toutes chose égale par ailleurs,
une année supplémentaire d’éducation permet de gagner en moyenne 0.644$ de salaire
supplémentaire par heure.
Le coefficient associé à la variable nombre d’années d’expérience est égal 0.07. Cela signifie que,
toutes choses égales par ailleurs, une augmentation d’une supplémentaire d’expérience permet un
gain supplémentaire de salaire de 0.07$ par heure.
 Coefficientsa
Coefficients
Coefficients non standardisés standardisés
Modèle B Erreur standard Bêta t Sig.
1 (Constante) -3,391 ,767 -4,423 <,001
educ ,644 ,054 ,483 11,974 <,001
exper ,070 ,011 ,258 6,385 <,001
a. Variable dépendante : wage

Conclusion :
*********************************************************************************
*********************************************************************************
*********************************************************************************
*********************************************************************************
*********************************************************************************
*********************************************************************************
*********************