Résumé
La régression multiple est une généralisation de la régression simple. En régression multiple, on essaiera de prédire une variable réponse Y non pas à partir d’un seul prêdicteur X, mais à partir de m prêdicteurs, que l’on notera X1, X2, …, X m 1. On aura donc des données multivariées avec m + 1 variables mesurées pour chacun des n individus de notre échantillon, que l’on notera (xi1, Xi2, …, Xim, yi), où xij désigne l’observation du j-ième prédicteur et yi l’observation de la variable réponse pour le i-ième individu (pour i = 1, …, n et j = 1, …, m). On essaiera de répondre aux questions suivantes:
-
1.
Comment peut-on prédire Y à partir de X1, X2, …, Xm ?
→ notre but sera d’améliorer la prédiction par rapport à ce que l’on avait en régression simple.
-
2.
Comment se modifie Y en fonction de X1, X2, …, X m ?
→ ce sera ici plus compliqué qu’en régression simple.
-
3.
Quelles sont les prédicteurs importants de Y?
→ il s’agira d’identifier parmi les prédicteurs disponibles un sous-ensemble de prédicteurs qui ne sont ni inutiles, ni redondants pour prédire Y
→ cette troisième question est nouvelle par rapport à ce que l’on avait en régression simple.
Preview
Unable to display preview. Download preview PDF.
Author information
Authors and Affiliations
Rights and permissions
Copyright information
© 2013 Springer-Verlag France
About this chapter
Cite this chapter
Rousson, V. (2013). Régression linéaire multiple. In: Statistique appliquée aux sciences de la vie. Collection Statistique et probabilités appliquées. Springer, Paris. https://doi.org/10.1007/978-2-8178-0394-4_14
Download citation
DOI: https://doi.org/10.1007/978-2-8178-0394-4_14
Publisher Name: Springer, Paris
Print ISBN: 978-2-8178-0393-7
Online ISBN: 978-2-8178-0394-4
eBook Packages: Mathematics and StatisticsMathematics and Statistics (R0)