La régression linéaire est inadéquate pour modéliser des variables catégoriques. La régression logistique est conçue à cet effet. Découvrez son mécanisme, ses similitudes avec la régression linéaire et les outils qui lui sont propres.
Course Outline
The recommended duration for this course is 1 online session(s).
Introduction à la régression logistique- Problématique : Mise en relation d’une variable catégorique avec un ensemble de variables explicatives
- Pourquoi la régression linéaire multiple n’est pas appropriée lorsque la variable réponse est binaire?
- Définition et estimation du modèle à partir des données
- Interprétation des coefficients des paramètres du modèle
- Mesures d’ajustement et outils de validation
- Principe de base : modéliser la probabilité d’obtenir une réponse donnée
- Exemple de réalisation
- nterprétation des sorties statistiques: Coefficients et transformations mathématiques des coefficients, rapports de cote « odds ratios », tests statistiques sur les coefficients
- Comparaison des sorties avec la régression linéaire multiple
- Mesure de l’ajustement du modèle aux données: Modèles emboîtés, résidus, techniques de validation croisée
- Utilisation du modèle pour effectuer de la prédiction
- Procédures disponibles dans les logiciels statistiques
- Mise en œuvre et interprétation