P GLM

MODELES
LINEAIRES
MASTER ACTUARIAL AND FINANCE
2023 - 2024
GENERALISES
(GLM)
Présentée par :
 CHABAOUI Ibtissam Encadrée par :
 EL KHALLAF Imane
Mr. OUAHMAN El Mehdi
 EL AZZOUZI Ismail
Introduction PLAN
01 Définition
02 Les composantes
03 Les différentes distributions de probabilité
04 Les fonctions de lien dans les GLM

05 Les méthodes d'estimation
06 Les tests d'hypothèses dans les GLM
07 Les diagnostics et les résidus dans les GLM

Conclusion
Réference
Introduction aux
modèles linéaires généralisés
(GLM)
01 Définition des modèles linéaires généralisés
Concept Applications
Les modèles linéaires généralisés sont Les GLM sont largement utilisés en
basés sur le principe de généralisation des biostatistique, en épidémiologie, en
modèles de régression linéaire pour sciences sociales, et dans de nombreux
s'adapter à un large éventail de situations. autres domaines pour modéliser des
Ils combinent des composantes telles que données avec des distributions non
la fonction de lien, la distribution de normales. Leur flexibilité les rend
probabilité, et le prédicteur linéaire pour essentiels pour analyser des données
modéliser les relations entre les variables. complexes et hétérogènes.
Les composantes des modèles linéaires généralisés
02
La classe générale des modèles linéaires est composés de 3
composants : aléatoire, déterministe et fonction de liaison.
01 Composante aléatoire Identifie la variable dépendante (Y) et sa distribution de probabilité.
02 Composante déterministe Identifie l'ensemble des variables explicatives ( X1,...,X K ) utilisées

comme prédicteurs dans le modèle définissent sous forme d’une
combinaison linéaire la composante déterministe.
03 Fonction de lien Identifie une fonction de la moyenne qui est une fonction linéaire
des variables explicatives
g(μ) = β α + β ₁ Χ₁+….. + βK X K
La fonction g est appelée fonction de lien.
03Les différentesdans
distributions de probabilité
les GLM
Binomiale De Poisson Gamma

Utilisée pour modéliser des Adaptée pour modéliser des Choisie pour modéliser
données binaires, comptages, tels que le nombre des variables continues
par exemple : succès ou de réclamations ou positives avec une dispersion
échec, oui ou non. d'événements par unité de supplémentaire.
temps.
04 Les fonctions de lien dans les GLM
Identité Logit Réciproque

Utilisée lorsque la Principal pour les Adaptée pour les données
variable réponse est modèles de régression de comptage lorsque la
continue et positive, logistique dans le cas variance est
sans transformation. de variables binaires. proportionnelle à la
moyenne.
05 Les méthodes d'estimation des
paramètres dans les GLM
1 Méthode demoindress carrés

Appropriée pour les modèles linéaires avec une
distribution gaussienne des erreurs.
2 Méthode de Newton-Raphson
Utilisée pour maximiser la vraisemblance dans les
modèles de régression non linéaires.
3 Méthode de quasi-vraisemblance
Adaptée pour les situations où la spécification de
la vraie distribution de probabilité est difficile.
06 Les tests d'hypothèses dans les GLM
Le test de Wald
Sous l’hypothèse H0 : L’β = 0 la statistique :
S= (L’b)’(L’J -1 L) -1(Lb)
suit une loi du khi-deux à r degrés de

liberté, où r est le rang de L.
En notant z = βˆ /ASE où ASE est l’erreur standard asymptotique

De βˆ , il découle de ce résultat général que le test d’un coefficient
du modèle se base sur la statistique z 2 distribuée sous l’hypothèse
de nullité du coefficient selon une loi du khi-deux à un degré de
liberté .
Le test LRT
Notons b* l’estimation du maximum de vraisemblancede β

sous l’hypothèse H0 : L’β =0
l (b* ,y) = max l (β, y)

H : L’β =0
0
Sous l’hypothèse H0 la statistique :
S = 2 [ l(b,y) – l(b*,y)]
suit approximativement une loi du Khi-deux à r degrés de

liberté, où r est le rang de L
07 Les diagnostics et les résidus dans les GLM
Résidus déviants Graphiques Q-Q Résidus Pearson
Évaluant l'adéquation du Vérifiant l'adéquation de la Évaluant la corrélation entre

modèle, spécialement pour distribution des résidus par la variance et la moyenne
les observations aberrantes rapport à une distribution des résidus.
ou influentes. théorique.
Tableau Simplifie

P GLM

Transféré par

Droits d'auteur :

Formats disponibles

P GLM

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

P GLM

Transféré par

Droits d'auteur :

Formats disponibles

MODELES

03 Les différentes distributions de probabilité

04 Les fonctions de lien dans les GLM

06 Les tests d'hypothèses dans les GLM

07 Les diagnostics et les résidus dans les GLM

modèles linéaires généralisés

01 Composante aléatoire Identifie la variable dépendante (Y) et sa distribution de probabilité.

02 Composante déterministe Identifie l'ensemble des variables explicatives ( X1,...,X K ) utilisées

Binomiale De Poisson Gamma

Identité Logit Réciproque

1 Méthode demoindress carrés

suit une loi du khi-deux à r degrés de

En notant z = βˆ /ASE où ASE est l’erreur standard asymptotique

Notons b* l’estimation du maximum de vraisemblancede β

l (b* ,y) = max l (β, y)

Sous l’hypothèse H0 la statistique :

suit approximativement une loi du Khi-deux à r degrés de

Résidus déviants Graphiques Q-Q Résidus Pearson

Évaluant l'adéquation du Vérifiant l'adéquation de la Évaluant la corrélation entre

Vous aimerez peut-être aussi