Scribd Logo
Importer

Bienvenue sur Scribd !

  • 425 vues

    Présentation Régression Logistique (Part1)

    Transféré par

    CHEIKH FALIT

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PPTX, PDF, TXT ou lisez en ligne sur Scribd

    Présentation Régression Logistique (Part1)

    Transféré par

    CHEIKH FALIT
    425 vues15 pages

    Titre original

    Présentation régression logistique (part1) .pptx

    Copyright

    © © All Rights Reserved

    Formats disponibles

    PPTX, PDF, TXT ou lisez en ligne sur Scribd

    Avez-vous trouvé ce document utile ?

    Ce contenu est-il inapproprié ?

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PPTX, PDF, TXT ou lisez en ligne sur Scribd
    Télécharger au format pptx, pdf ou txt
    425 vues15 pages

    Présentation Régression Logistique (Part1)

    Transféré par

    CHEIKH FALIT

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PPTX, PDF, TXT ou lisez en ligne sur Scribd
    Télécharger au format pptx, pdf ou txt
    sur 15

    Université Dr.

    Tahar Moulay Saida


    Faculté des Sciences Economiques, de Gestion et des Sciences Commerciales
    Option: Economie Quantitative.

    La régression logistique binaire

    Présenté par: Encadré par:


     Falit Cheikh.  Dr. Rezine

    Année Universitaire: 2016 / 2017


    Plan
    Introduction

    Définition

    Utilisation de régression logistique

    Le passage au logit

    Différences avec le modèle linéaire 


    : Introduction

    La régression logistique est un cas particulier du modèle linéaire


    généralisé. L’intérêt majeur de cette technique est de quantifier
    la force de l’association (lien) entre chaque variable
    indépendante et la variable dépendante, en tenant compte de
    l’effet des autres variables intégrées dans le modèle.

     Cette technique est utilisée pour des études ayant pour but de
    vérifier si des variables indépendantes peuvent prédire une
    variable dépendante dichotomique.
     Cette technique n’exige pas une distribution normale des
    prédicteurs ni l’homogénéité des variances.
     Outil majeur en épidémiologie et biostatistique.
    : Définition
    Dans sa version la plus répandue, la régression
    logistique vise à prédire et expliquer les valeurs
    d'une variable catégorielle binaire Y (variable
    à prédire, variable expliquée, variable dépendante,
    attribut classe, variable endogène) à partir d'une
    collection de variables X continues ou binaires
    (variables prédictives, variables explicatives,
    variables indépendantes, descripteurs, variables
    exogènes).
    : Contexte

    Y est une variable binaire:


    • 0 en cas de non occurrence de l’évènement.
    • 1 si occurrence.
     Y aléatoire et Xk non aléatoires.
     On cherche à expliquer la survenue d’un évènement.
     On cherche la probabilité de succès.
     On travaille en terme d’espérance.
    Utilisation de régression logistique
    Y = 𝑓(x1 , x2 , …….. , xk)
    Quand la variable dépendante est nominale ou ordinale:
     Deux types selon la forme de la variable dépendante:
    binaire pour deux catégories. [0,1]
    polytomique pour plusieurs catégories:
    multinominale ou ordinale.
    Quand les variables indépendantes peuvent être de
    plusieurs types:
     Nominales (qualitatives)
     Ordinales
     Métriques (quantitatives)
    Régression logistique simple (k = 1)
    Régression logistique multiple (k > 1)
    : Illustration Y = 𝑓(x1 , x2 , …….. , xk)
    𝑓 ne peut être une fonction linéaire car Y ne prend que deux
    valeurs:
    : Fonction logistique
    Description
     

     Strictement croissante, monotone.


     Varie de 0 à 1 pour x allant de - à +
     Courbe sigmoïde, point d'inflexion
    correspondant à f(x)=1/2.
     Symétrique autour du point d'inflexion.

    Formalisation
     

    0<<1
     est un paramètre de position.
     est un paramètre de forme.
    : Le passage au logit
     
     Définition : logit(z) = ln ()
     Appliqué à la fonction logistique:
    1. Z=
    2. 1-z =

    3. ln()= ln(1) - ln)=


    : Différences avec le modèle linéaire
    L’analyse des résidus du modèle permet de vérifier si celui-ci
    est satisfaisant (en terme de spécification et de qualité
    d’ajustement).
    Les différences principales avec la régression linéaire sont les
    suivantes :

     On ne parle plus de sommes de carrés (OLS, résidus,


    variance) mais de déviance (dans le cas gaussien, elle est
    équivalente à la somme de carrés de la résiduelle), mais cette
    dernière reflète toujours l’écart entre les données et le
    modèle.
     En raison de la nature binaire de la variable réponse,
    l’analyse classique des résidus en fonction des valeurs
    prédites ou la notion d’hétéroscédasticité ne font plus
    sens ; en revanche, on s’intéresse toujours à la qualité
    d’ajustement du modèle, et à la comparaison de modèles
    emboîtés qui permettent d’évaluer l’apport d’un ou
    plusieurs prédicteurs par rapport à un modèle de base.
    Pour cela, on utilise des tests de rapport de
    vraisemblance

    Vous aimerez peut-être aussi