Panorama des techniques de régression

Public

Toute personne souhaitant une approche générale des techniques associées à la régression. Les modèles seront présentés à la fois sous leur aspect de description (validation d’hypothèses, recherche de facteurs influant sur un phénomène) et de prédiction. Ce cours est une introduction à la modélisation, il ne requiert pas de niveau mathématique élevé et fait surtout appel au bon sens et à l’intuition. Chaque technique est présentée avec des exemples concrets et des sorties logicielles décortiquées. Il pourra être complété par d’autres formations plus spécifiques sur chacune des techniques abordées ici.

Pré-requis

Statistique descriptive
Connaissance du mécanisme des tests d’inférence

Objectif et contenu


Régression(s)
Principe de base de la régression : droite, ajustement d’une moyenne
Panorama des variantes selon les types de données analysées

Régression linéaire, analyse de variance
Coefficients de régression, diagnostics de qualité
Variables explicatives qualitatives : comment les intégrer aux modèles ?
Sommes des carrés de types I et III
Comparaisons de moyennes simples et multiples
Introductions aux modèles mixtes (données répétées)
Variables multiples : sélection, multicolinéarité

Modèle linéaire généralisé : étudier des variables non normales
Quantités positives : régression log-linéaire vs régression Gamma
Comptages : régression de Poisson
Évènements : régression logistique

  • 2 jours 20, 21 juin 2013
  • Prix net (non soumis à la TVA) 920 euros

    S'inscrire
Intervenant
Logiciels utilisés
  • SAS
Repères bibliographiques
  • Tufféry, S. (2010),
    Data Mining et Statistique Décisionnelle,
    Broché (3ème édition)

  • McCullagh, P. et J.A. Nelder (1989),
    Generalized Linear Models ,
    Chapman & Hall/CRC(2ème édition)