Techniques de régression linéaire

La construction d’un modèle de régression avec les logiciels est devenue triviale. C’est pourtant plus complexe! Apprenez les bonnes pratiques en matière de modélisation, les indicateurs de performance d’un modèle et les pièges à éviter.

Dans cette formation, la construction de modèles de régression est abordée à l’aide d’études de cas réels.

Plan de la formation

Session 1: Régression linéaire simple -RLS

  • Principe général
  • Qu’est-ce qu’un modèle?
  • Spécification du modèle et interprétation des coefficients
  • Principe d’estimation des moindres carrés
  • Interprétation et tests d’hypothèses des coefficients du modèle
  • Conditions d’utilisation du modèle et outils diagnostics
  • Problèmes en régression: Outliers, observations influentes, etc.
  • Prédiction en régression
  • Extrapolation: Utilisation et pièges
  • Différence entre corrélation et régression

Session 2: Régression linéaire multiple – RLM

  • Objectifs
  • Aspects communs à la RLS
  • Interprétation des coefficients du modèle
  • Construction d’un modèle de RLM
  • Bonnes et mauvaises mesures de performance d’un modèle
  • Vérification de l’adéquation du modèle
  • Robustesse de la régression à des déviations des conditions d’utilisation
  • Problèmes spécifiques à RML: Sélection de variables, multicollinearité et utilisation de termes spéciaux
  • Survol des alternatives à la régression linéaire standard
    • Régression non-linéaire (RNL)
    • Applications de la régression non-linéaire
    • Autre manière de lutter contre la multicollinéarité

Durée de la formation

La durée recommandée de cette formation est de 2 sessions en ligne.

Public cible

Ce module s’adresse à toute personne qui recueille des données et qui prend des décisions basées sur ces données. La connaissance des méthodes de régression couvertes dans cette formation sera particulièrement utile aux personnes ayant à mettre en relation ou prédire une variable à une seule ou un ensemble de variables explicatives.

Les participants doivent connaître les outils essentiels de la statistique descriptive et de la statistique inférentielle – moyenne, écart-type, erreur-type, médiane, outils graphiques tels les histogrammes, les box-plots, les tests d’hypothèse, les intervalles de confiance, etc. C’est-à-dire avoir suivi la formation Outils statistiques pour la R&D ou posséder un niveau équivalent.