EXEMPLE : FAILLITE D ENTREPRISES

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "EXEMPLE : FAILLITE D ENTREPRISES"

Transcription

1 EXEMPLE : FAILLITE D ENTREPRISES Cet exemple a pour objectif d étudier la faillite d entreprises. Les données proviennent de l ouvrage de R.A.Johnson et D.W Wichern : «Applied Multivariate Statistical Analysis», Prentice-Hall, Ces données financières annuelles ont été recueillies sur des entreprises approximativement deux ans avant leur faillite, et à peu prés à la même époque, sur des sociétés financièrement solides. On dispose de quatre ratios pour décrire la situation financière de 46 entreprises. X1 = Cash flow/ Dette totale X2 = Revenu net / Total des actifs au bilan X3 = Actif réalisable et disponible / Passif courant X4 = Actif réalisable et disponible / Ventes nettes Y= 1 si faillite, 2 sinon Dans cette annexe nous présentons brièvement les résultats obtenus avec le logiciel SAS. Présentation des données INSTRUCTIONS SAS data donnees; input X1 X2 X3 X4 Y $ num $; datalines; ; proc print data=donnees; data donnees; set donnees; if Y=1 then Y='Faillite'; if Y=2 then Y='OK';

2 TABLEAU 1 : LES DONNEES OBS X1 X2 X3 X4 Y NUM

3 1) CONSTRUCTION D UN MODELE DE REGRESSION LOGISTIQUE RELIANT Y AUX VARIABLES X1, X2, X3, X4. INSTRUCTIONS SAS proc logistic data=donnees simple; model Y= X1 X2 X3 X4; Le tableau 2 permet de comparer le groupe 1 et le groupe 2 sur l ensemble des variables explicatives. On remarque que pour le groupe 2 les moyennes des variables X1, X2, X3 sont plus élevées. En revanche les moyennes de X4 sont très voisines pour les deux groupes. Data Set: WORK.DONNEES Response Variable: Y Response Levels: 2 Number of Observations: 46 Link Function: Logit TABLEAU 2 : DESCRIPTION DES VARIABLES The LOGISTIC Procedure Response Profile Ordered Value Y Count 1 Faillite 21 2 OK 25 Simple Statistics for Explanatory Variables Standard Variable Y Mean Deviation Minimum Maximum X1 Faillite OK Total X2 Faillite OK Total X3 Faillite OK Total X4 Faillite OK Total

4 Les tests du quotient des vraissemblances, du score ou de Wald présentés dans le tableau 3 conduisent tous au rejet de l hypothèse H 0 de nullité de l ensemble des coefficients. H 0 : β 1 = β 2 = β 3 = β 4 = 0 Néanmoins, seule la variable X3 a un apport marginal significatif dans le modèle complet. TABLEAU 3 : MODELE DE REGRESSION LOGISTIQUE RELIANT Y AUX VARIABLES X1, X2, X3, X4. The LOGISTIC procedure Model Fit Statistics Intercept Intercept and Criterion Only Covariates AIC SC Log L Testing Global Null Hypothesis: BETA=0 Test Chi-Square DF Pr > ChiSq Likelihood Ratio <.0001 Score Wald Analysis of Maximum Likelihood Estimates Standard Parameter DF Estimate Error Chi-Square Pr > ChiSq Intercept X X X X Odds Ratio Estimates Point 95% Wald Effect Estimate Confidence Limits X1 <0.001 < X <0.001 > X X > Association of Predicted Probabilities and Observed Responses Percent Concordant 94.1 Somers' D Percent Discordant 5.7 Gamma Percent Tied 0.2 Tau-a Pairs 525 c ) UTILISATION DE LA REGRESSION LOGISTIQUE PAS A PAS DESCENDANTE POUR OBTENIR UN MODELE DONT TOUS LES COEFFICIENTS DE REGRESSION SONT SIGNIFICATIFS INSTRUCTIONS SAS proc logistic data=donnees ; model Y= X1 X2 X3 X4 /selection=backward; output out=stat; Les tableaux 4 et 5 et nous montrent les étapes d une sélection descendante. Les variables X2 et X4 sont successivement éliminées. Sur cet exemple l utilisation d une procédure de sélection ascendante, non présentée dans ce document conduit au choix du même modèle.

5 TABLEAU 4 : SELECTION DESCENDANTE ETAPES 1 ET 2 Step 1. Effect X2 is removed: Model Fit Statistics Intercept Intercept and Criterion Only Covariates AIC SC Log L Testing Global Null Hypothesis: BETA=0 Test Chi-Square DF Pr > ChiSq Likelihood Ratio <.0001 Score <.0001 Wald Residual Chi-Square Test Chi-Square DF Pr > ChiSq Step 2. Effect X4 is removed: Model Fit Statistics Intercept Intercept and Criterion Only Covariates AIC SC Log L Testing Global Null Hypothesis: BETA=0 Test Chi-Square DF Pr > ChiSq Likelihood Ratio <.0001 Score <.0001 Wald Residual Chi-Square Test Chi-Square DF Pr > ChiSq NOTE: No (additional) effects met the 0.05 significance level for removal from the model.

6 TABLEAU 5 : DESCRIPTION DU MODELE OBTENU PAR SELECTION DESCENDANTE Summary of Backward Elimination Effect Number Wald Step Removed DF In Chi-Square Pr > ChiSq 1 X X Analysis of Maximum Likelihood Estimates Standard Parameter DF Estimate Error Chi-Square Pr > ChiSq Intercept X X Odds Ratio Estimates Point 95% Wald Effect Estimate Confidence Limits X < X Association of Predicted Probabilities and Observed Responses Percent Concordant 93.5 Somers' D Percent Discordant 6.3 Gamma Percent Tied 0.2 Tau-a Pairs 525 c 0.936

7 3) UTILISATION DU TEST LACK OF FIT DE HOSMER ET LEMESHOW INSTRUCTIONS SAS proc logistic data=donnees; model Y=X1 X3 / lackfit; Ce test basé sur la comparaison des effectifs observés et des effectifs prévus dans chaque groupe constitué en fonction du risque de faillite, permet de tester si le modèle construit est correct. Le niveau de probabilité associé à la statistique calculée confirme l intérêt du modèle construit à l aide des variables X1 et X3. TABLEAU 6 : TEST LACK OF FIT DE HOSMER ET LEMESHOW The LOGISTIC Procedure Hosmer and Lemeshow Goodness-of-Fit Test Y = Faillite Y = OK ƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒ ƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒ Group Total Observed Expected Observed Expected Goodness-of-fit Statistic = with 7 DF (p=0.6019)

8 4) REPRESENTATION DES DONNEES DANS LE PLAN X1 X3 Instructions SAS data a; set donnees; If y=1 then label='-'; else label='+'; x5=(5.9674/3.0322)-(6.5887/3.0322)*x1; proc plot data=a; plot X3*X1= ''$ num X5*X1='*' / overlay; Commentaires : Le graphique présenté dans le tableau 7 visualise dans le plan défini par les variables X1 et X3 la droite correspondant à la probabilité 0,5 de faire faillite. En notant g la fonction définie par g(x) = 5,9674-6,5887 X1-3,0322 X3 il suffit d écrire qu une probabilité de faire faillite égale à 0,5 correspond à g(x) = 0. Ceci justifie la définition de la variable X5 définie dans le programme SAS et représentée en fonction de X1 dans le graphique proposé au sein du tableau 7. On remarque sur ce graphique qu en prenant un seuil de décision égal à 0,5 quatre individus sont mal reclassés. Il s agit des entreprises 13, 15, 16 et 34. Pour les entreprises 13, 15, 16 la probabilité de faillite prévue par le modèle construit est inférieure à 0,5 ( tableau 8 ). En réalité elles ont fait faillite. L entreprise 34 pour laquelle la probabilité prévue de faillite est égale à 0,9746 ( tableau 8 ) n a elle pas fait faillite.

9 TABLEAU 7 : VISUALISATION DE LA DROITE CORRESPONDANT A UNE PROBABILITE 0,5 DE FAIRE FAILLITE Plot of X3*X1$num. Symbol points to label. Plot of x5*x1. Symbol used is '*'. X3 6 ˆ 5 ˆ ˆ * ˆ * * * * * * ˆ * * * * * * * 1 ˆ 3- * * 6- * ˆ Šƒƒˆƒƒƒƒƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒƒƒƒƒˆƒƒƒƒƒƒƒƒƒƒƒƒˆƒƒ X1

10 5) ETUDE DETAILLEE DU MODELE DE REGRESSION LOGISTIQUE CONSTRUIT AVEC LES VARIABLES X1 ET X3 INSTRUCTIONS SAS proc logistic data=donnees1; model Y= X1 X3 / ctable pprob =(0 to 0.48 by 0.04, 0.5, 0.52 to 1 by 0.04 ); output out=out xbeta=xbeta stdxbeta=stdxbeta predicted=predicted lower=lower upper=upper reschi=reschi resdev=resdev ; proc print data=out; var Y predicted lower upper reschi resdev; Commentaires : Le tableau 8 présente les probalités de faillite prévues pour les différentes entreprises, les intervalles de confiance associés et les résidus de Pearson et residus déviance pour l ensemble des individus. On peut remarquer les valeurs très élevées de ces résidus pour les individus déjà cités 13, 15, 16 et 34. Le tableau 9 présente la table de classement des individus en fonction de différents seuils de probabilité. On y trouve en particulier la sensibilité et la spécificité. Remarquons que le niveau de probabilité maximisant ces deux critères se situe entre 0,56 et 0,60. Précisons que les affectations des individus ne sont pas réalisées par resubstitution mais par une méthode s apparentant à de la validation croisée. Ainsi pour le seuil de probabilité 0,5 on trouve six individus mal classés ( il y a trois individus mal classés dans chaque groupe), alors que par resubstition il n y a en tout que 4 individus mal classés. La figure 1 visualise le risque de faillite en fonction des valeurs de la variable X3. Comme il s agit d un modèle à deux variables, on a pris dans ce graphique la valeur moyenne de X1. Ce graphique réalisé avec STATGRAPHICS montre nettement que le risque de faillite diminue quand X3 augmente.

11 TABLEAU 8 : PROBABILITES CALCULEES, RESIDUS Obs Y predicted lower upper reschi resdev 1 Faillite Faillite Faillite Faillite Faillite Faillite Faillite Faillite Faillite Faillite Faillite Faillite Faillite Faillite Faillite Faillite Faillite Faillite Faillite Faillite Faillite OK OK OK OK OK OK OK OK OK OK OK OK OK OK OK OK OK OK OK OK OK OK OK OK OK

12 TABLEAU 9 : TABLE DE CLASSEMENT Classification Table Correct Incorrect Percentages Prob Non- Non- Sensi- Speci- False False Level Event Event Event Event Correct tivity ficity POS NEG

X1 = Cash flow/ Dette totale. X2 = Revenu net / Total des actifs au bilan. X3 = Actif réalisable et disponible / Passif courant

X1 = Cash flow/ Dette totale. X2 = Revenu net / Total des actifs au bilan. X3 = Actif réalisable et disponible / Passif courant EXEMPLE : FAILLITE D ENTREPRISES Cet exemple a pour objectif d étudier la faillite d entreprises. Les données proviennent de l ouvrage de R.A.Johnson et D.W Wichern : Applied Multivariate Statistical Analysis»,

Plus en détail

REGRESSION LOGISTIQUE ASSURES BELGES

REGRESSION LOGISTIQUE ASSURES BELGES REGRESSION LOGISTIQUE ASSURES BELGES Cte étude concerne l assurance automobile. L échantillon est constitué de 1106 assurés belges observés en 1992 répartis en deux groupes. Les assurés qui n ont eu aucun

Plus en détail

La régression logistique généralisée avec la procédure LOGISTIC

La régression logistique généralisée avec la procédure LOGISTIC La régression logistique généralisée avec la procédure LOGISTIC 1 Sommaire I / Régression logistique généralisée 3 a. Introduction 3 b. Présentation de l exemple à étudier 3 II / Modélisation avec la proc

Plus en détail

Séance 8 : Régression Logistique

Séance 8 : Régression Logistique Séance 8 : Régression Logistique Sommaire Proc LOGISTIC : Régression logistique... 2 Exemple commenté : Achat en (t+1) à partir du sexe et du chiffre d affaires de la période précédente. 4 La régression

Plus en détail

REGRESSION MULTIPLE: CONSOMMATION D ELECTRICITE

REGRESSION MULTIPLE: CONSOMMATION D ELECTRICITE REGRESSION MULTIPLE: CONSOMMATION D ELECTRICITE LES DONNEES OBS KW SURFACE PERS PAVILLON AGE VOL SBAINS 1 4805 130 4 1 65 410 1 2 3783 123 4 1 5 307 2 3 2689 98 3 0 18 254 1 4 5683 178 6 1 77 570 3 5 3750

Plus en détail

Données qualitatives, modèles probit et logit

Données qualitatives, modèles probit et logit Données qualitatives, modèles probit et logit I Un modèle pour données qualitatives Cette section est fortement inspirée du cours de Christophe Hurlin. On est confronté à des données qualitatives en micro-économie

Plus en détail

Économétrie 2 : données qualitatives, probit et logit

Économétrie 2 : données qualitatives, probit et logit URCA Hugo Harari-Kermadec 2008-2009 harari@ecogest.ens-cachan.fr Économétrie 2 : données qualitatives, probit et logit I Un modèle pour données qualitatives Cette section est fortement inspirée du cours

Plus en détail

Feuille de TP N 3 : Modèle log-linéaire - Travail guidé. 1 Cancers : modèle log-linéaire à deux facteurs croisés

Feuille de TP N 3 : Modèle log-linéaire - Travail guidé. 1 Cancers : modèle log-linéaire à deux facteurs croisés M1 MLG Année 2012 2013 Feuille de TP N 3 : Modèle log-linéaire - Travail guidé 1 Cancers : modèle log-linéaire à deux facteurs croisés Ce premier exercice reprend l exercice 1 de la feuille de TD n 3.

Plus en détail

Régression logistique ou modèle binomial

Régression logistique ou modèle binomial Résumé Régression logistique ou modèle binomial Introduction au modèle linéaire et modèle linéaire général : la régression logistique ou modèle binomial Retour au plan du cours 1 Introduction Dans ce chapitre,

Plus en détail

distribution quelconque Signe 1 échantillon non Wilcoxon gaussienne distribution symétrique Student gaussienne position

distribution quelconque Signe 1 échantillon non Wilcoxon gaussienne distribution symétrique Student gaussienne position Arbre de NESI distribution quelconque Signe 1 échantillon distribution symétrique non gaussienne Wilcoxon gaussienne Student position appariés 1 échantillon sur la différence avec référence=0 2 échantillons

Plus en détail

Étude de cas Assurance (d après une étude de Philippe Périé, CISIA)

Étude de cas Assurance (d après une étude de Philippe Périé, CISIA) Étude de cas Assurance (d après une étude de Philippe Périé, CISIA) I.1.Les données L échantillon est constitué de 1106 assurés Belges observés en 1992 et répartis en 2 groupes. - les assurés qui n ont

Plus en détail

TESTS STATISTIQUES: COMPARAISON, INDÉPENDANCE ET RÉGRESSION LINÉAIRE

TESTS STATISTIQUES: COMPARAISON, INDÉPENDANCE ET RÉGRESSION LINÉAIRE TESTS STATISTIQUES: COMPARAISON, INDÉPENDANCE ET RÉGRESSION LINÉAIRE Les résultats donnés par R et SAS donnent les valeurs des tests, la valeur-p ainsi que les intervalles de confiance. TEST DE COMPARAISON

Plus en détail

EXEMPLE D UTILISATION DE LA PROCEDURE CATMOD ALIMENTATION DES ALLIGATORS

EXEMPLE D UTILISATION DE LA PROCEDURE CATMOD ALIMENTATION DES ALLIGATORS EXEMPLE D UTILISATION DE LA PROCEDURE CATMOD ALIMENTATION DES ALLIGATORS Le tableau provient d une étude concernant les facteurs influençant le choix de la nourriture principale d alligators. L échantillon

Plus en détail

Un exemple de régression logistique sous

Un exemple de régression logistique sous Fiche TD avec le logiciel : tdr341 Un exemple de régression logistique sous A.B. Dufour & A. Viallefont Etude de l apparition ou non d une maladie cardiaque des coronaires 1 Présentation des données Les

Plus en détail

Exercices M1 SES 2014-2015 Ana Fermin (http:// fermin.perso.math.cnrs.fr/ ) 14 Avril 2015

Exercices M1 SES 2014-2015 Ana Fermin (http:// fermin.perso.math.cnrs.fr/ ) 14 Avril 2015 Exercices M1 SES 214-215 Ana Fermin (http:// fermin.perso.math.cnrs.fr/ ) 14 Avril 215 Les exemples numériques présentés dans ce document d exercices ont été traités sur le logiciel R, téléchargeable par

Plus en détail

EXTENSIONS DU MODÈLE LINÉAIRE

EXTENSIONS DU MODÈLE LINÉAIRE 1 EXTENSIONS DU MODÈLE LINÉAIRE Rappelons tout d'abord que dans le modèle linéaire examiné jusqu'ici, la linéarité requise concerne les coefficients et non les variables explicatives initiales; ainsi les

Plus en détail

Data Mining. Modèle d attrition Modeling Phase & Evaluation Phase. Modeling. IUT de Caen - Département STID Responsable : Alain LUCAS

Data Mining. Modèle d attrition Modeling Phase & Evaluation Phase. Modeling. IUT de Caen - Département STID Responsable : Alain LUCAS IUT de Caen - Département STID Responsable : Alain LUCAS Data Mining Modèle d attrition Modeling Phase & Evaluation Phase STID 2ème année Le travail de compréhension et d appropriation des données («Data

Plus en détail

M2 MASS. TP5 : Introduction au logiciel SAS Classification supervisée : Analyses Discriminantes et Régression Logistique

M2 MASS. TP5 : Introduction au logiciel SAS Classification supervisée : Analyses Discriminantes et Régression Logistique Université de Montpellier 2 M2 MASS TP5 : Introduction au logiciel SAS Classification supervisée : Analyses Discriminantes et Régression Logistique 1 Les données On étudie les données du fichier entreprises.txt

Plus en détail

L analyse discriminante

L analyse discriminante L analyse discriminante À Propos de ce document... Introduction... La démarche à suivre sous SPSS... 2. Statistics... 2 2. Classify... 2 Analyse des résultats... 3. Vérification de l existence de différences

Plus en détail

Cours 7 : Exemples. I- Régression linéaire simple II- Analyse de variance à 1 facteur III- Tests statistiques

Cours 7 : Exemples. I- Régression linéaire simple II- Analyse de variance à 1 facteur III- Tests statistiques Cours 7 : Exemples I- Régression linéaire simple II- Analyse de variance à 1 facteur III- Tests statistiques Exemple 1 : On cherche à expliquer les variations de y par celles d une fonction linéaire de

Plus en détail

Analyse des données individuelles groupées

Analyse des données individuelles groupées Analyse des données individuelles groupées Analyse des Temps de Réponse Le modèle mixte linéaire (L2M) Y ij, j-ième observation continue de l individu i (i = 1,, N ; j =1,, n) et le vecteur des réponses

Plus en détail

La régression logistique. Par Sonia NEJI et Anne-Hélène JIGOREL

La régression logistique. Par Sonia NEJI et Anne-Hélène JIGOREL La régression logistique Par Sonia NEJI et Anne-Hélène JIGOREL Introduction La régression logistique s applique au cas où: Y est qualitative à 2 modalités Xk qualitatives ou quantitatives Le plus souvent

Plus en détail

La régression logistique PLS

La régression logistique PLS La régression logistique PLS Michel Tenenhaus Groupe HEC, 78351 Jouy-en-Josas 1 Introduction La régression PLS permet de relier une ou plusieurs variables de réponse y àun ensemble de variables prédictives

Plus en détail

Estimation de la variance à l aide des poids de bootstrap Guide de l usager du programme BOOTVARF_V30.SAS (VERSION 3.0)

Estimation de la variance à l aide des poids de bootstrap Guide de l usager du programme BOOTVARF_V30.SAS (VERSION 3.0) Estimation de la variance à l aide des poids de bootstrap Guide de l usager du programme BOOTVARF_V30.SAS (VERSION 3.0) 1. Introduction Ce guide s adresse aux utilisateurs du programme SAS BOOTVARF_V30.SAS

Plus en détail

Exercice II. l offre de transport (en tonnes.kilomètres) l effectif le poids de la flotte (en tonnes) le caractère public ou privée de la compagnie

Exercice II. l offre de transport (en tonnes.kilomètres) l effectif le poids de la flotte (en tonnes) le caractère public ou privée de la compagnie 1 Exercice II II. On dispose de données (fichier «aviation87.xls», section Exemples pour Excel) concernant le transport aérien en 1987, et indiquant pour 50 compagnies occidentales : Q L K PP l offre de

Plus en détail

Introduction aux modèles mixtes Comparaison de k moyennes à partir d échantillons non indépendants. 27 mai 2009 Pierre INGRAND

Introduction aux modèles mixtes Comparaison de k moyennes à partir d échantillons non indépendants. 27 mai 2009 Pierre INGRAND Introduction aux modèles mixtes Comparaison de k moyennes à partir d échantillons non indépendants 27 mai 2009 Pierre INGRAND Position du problème. Exemple On cherche à comparer la réponse pharmacologique

Plus en détail

Dossier / TD Econométrie. Analyse de la demande d essence aux Etats-Unis entre 1960-1995 fichier : essence.xls

Dossier / TD Econométrie. Analyse de la demande d essence aux Etats-Unis entre 1960-1995 fichier : essence.xls Dossier / TD Econométrie Analyse de la demande d essence aux Etats-Unis entre 1960-1995 fichier : essence.xls Source : Greene "Econometric Analysis" Prentice Hall International, 4 ème édition, 2000 Council

Plus en détail

Comparaison du Logiciel Glim4 et de la Procédure GENMOD du Logiciel SAS pour les Modèles. Marc CARAYON

Comparaison du Logiciel Glim4 et de la Procédure GENMOD du Logiciel SAS pour les Modèles. Marc CARAYON Comparaison du Logiciel Glim4 et de la Procédure GENMOD du Logiciel SAS pour les Modèles Linéaires Généralisés Marc CARAYON août-septembre 1996 Je tiens à remercier M.Saint-Pierre (CICT) et M.Mathieu

Plus en détail

L analyse de régression logistique

L analyse de régression logistique Tutorial in Quantitative Methods for Psychology 2005, Vol. (), p. 35 4. L analyse de régression logistique Julie Desjardins Université de Montréal La régression logistique se définit comme étant une technique

Plus en détail

STAT2430 - Calcul statistique sur ordinateur

STAT2430 - Calcul statistique sur ordinateur STT2430 - Calcul statistique sur ordinateur SÉNCE 1 - Manipulations de données sous Excel, SPSS et JMP Objectifs de la séance Utilisation d'excel Importer des données, nettoyage et mise en forme. Formules

Plus en détail

La régression logistique

La régression logistique La régression logistique Présentation pour le cours SOL6210, Analyse quantitative avancée Claire Durand, 2015 1 Utilisation PQuand la variable dépendante est nominale ou ordinale < Deux types selon la

Plus en détail

1 Comparaison de deux échantillons indépendants

1 Comparaison de deux échantillons indépendants Université de Montpellier 2 M2 MASS TP2 : Introduction au logiciel SAS Procédures statistiques pour l analyse de 2 variables 1 Comparaison de deux échantillons indépendants Dans cette partie du TP on considère,

Plus en détail

Didacticiel - Études de cas

Didacticiel - Études de cas 1 Objectif Diagnostic et évaluation de la régression logistique. Ce tutoriel décrit la mise en œuvre des outils d évaluation et de diagnostic de la régression logistique binaire, disponibles depuis la

Plus en détail

Analyse statistique de données qualitatives et quantitatives en sciences sociales : TP RÉGRESSION LOGISTIQUE (MODÈLES CHAPITRE 1)

Analyse statistique de données qualitatives et quantitatives en sciences sociales : TP RÉGRESSION LOGISTIQUE (MODÈLES CHAPITRE 1) Analyse statistique de données qualitatives et quantitatives en sciences sociales : TP RÉGRESSION LOGISTIQUE (MODÈLES CHAPITRE 1) Modèles de régression logistique à réaliser Une explicative catégorielle

Plus en détail

Projet OAD Crédit-Scoring Deutsche Bank

Projet OAD Crédit-Scoring Deutsche Bank Année scolaire 2009/2010 Projet Modélisation de 3 ème année Projet OAD Crédit-Scoring Deutsche Bank Réalisé par : Guillaume BARANES-BERREBI Manon ROUSSEAU Sous la direction de Farid BENINEL Guillaume BARANES-BERREBI

Plus en détail

Sélection de modèles avec l AIC et critères d information dérivés

Sélection de modèles avec l AIC et critères d information dérivés Sélection de modèles avec l AIC et critères d information dérivés Renaud LANCELOT et Matthieu LESNOFF Version 3, Novembre 2005 Ceci n est pas une revue exhaustive mais une courte introduction sur l'utilisation

Plus en détail

Tests Non Paramétriques. J Gaudart, LERTIM, Faculté de Médecine Marseille 1

Tests Non Paramétriques. J Gaudart, LERTIM, Faculté de Médecine Marseille 1 Tests Non Paramétriques J Gaudart, LERTIM, Faculté de Médecine Marseille 1 Plan 1. Paramétriques ou non? 2. Test d'une distribution de probabilité 3. Comparaison de moyennes 4. Comparaison de pourcentages

Plus en détail

Sélection- validation de modèles

Sélection- validation de modèles Sélection- validation de modèles L. Rouvière laurent.rouviere@univ-rennes2.fr JANVIER 2015 L. Rouvière (Rennes 2) 1 / 77 1 Quelques jeux de données 2 Sélection-choix de modèles Critères de choix de modèles

Plus en détail

Modèles pour données répétées

Modèles pour données répétées Résumé Les données répétées, ou données longitudinales, constituent un domaine à la fois important et assez particulier de la statistique. On entend par données répétées des données telles que, pour chaque

Plus en détail

CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)

CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures) CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un

Plus en détail

Le modèle linéaire généralisé avec R : fonction glm()

Le modèle linéaire généralisé avec R : fonction glm() SEMIN- Le modèle linéaire généralisé avec R : fonction glm() Sébastien BALLESTEROS UMR 7625 Ecologie Evolution Ecole Normale Supérieure 46 rue d'ulm F-75230 Paris Cedex 05 sebastien.ballesteros@biologie.ens.fr

Plus en détail

Travaux dirigés - Régression linéaire simple: corrigé partiel Julien Chiquet et Guillem Rigaill 1er octobre 2015

Travaux dirigés - Régression linéaire simple: corrigé partiel Julien Chiquet et Guillem Rigaill 1er octobre 2015 Travaux dirigés - Régression linéaire simple: corrigé partiel Julien Chiquet et Guillem Rigaill 1er octobre 2015 Quelques révisions de R 1. Manipulation de vecteur. On rappelle que e x = k 0 Créer dans

Plus en détail

CORRECTION DE L EXERCICE 2 DU TP3: «REVENUS DE DEUX VILLES»

CORRECTION DE L EXERCICE 2 DU TP3: «REVENUS DE DEUX VILLES» CORRECTION DE L EXERCICE 2 DU TP3: «REVENUS DE DEUX VILLES» 2.1 Etude de chacun des deux groupes QUESTION 1 : On commence par créer deux tables RevenusA et RevenusB issues de la lecture des données des

Plus en détail

TP 1. Introduction au logiciel SAS Analyse Statistique Univariée

TP 1. Introduction au logiciel SAS Analyse Statistique Univariée IMIS : Master 1 Université Paris Est Marne la Vallée TP 1. Introduction au logiciel SAS Analyse Statistique Univariée 1. Premier contact avec SAS 1. Lancez le logiciel sas. Vous voyez apparaître les fenètres

Plus en détail

Introduction au logiciel SAS. Olivier Godechot

Introduction au logiciel SAS. Olivier Godechot Introduction au logiciel SAS Olivier Godechot SAS (9.13). Plan d attaque À quoi ressemble le logiciel? Manipuler les données (étape data) Quelques procédures statistiques de base (étape proc) Fusion des

Plus en détail

Imputation du salaire d ego dans TeO

Imputation du salaire d ego dans TeO Imputation du salaire d ego dans TeO Objet de la note : linéariser la réponse en tranche du salaire, et imputer le salaire en cas de non réponse Champ et principe de la méthode Les individus qui se sont

Plus en détail

Choix de modèle en régression linéaire

Choix de modèle en régression linéaire Master pro Fouille de données Philippe Besse 1 Objectif Choix de modèle en régression linéaire La construction d un score d appétence sur les données bancaires correspond au choix et à l estimation d un

Plus en détail

Modèle mixte non linéaire. Application à la modélisation de processus dynamiques et prise en compte d effets génotypiques et environnementaux

Modèle mixte non linéaire. Application à la modélisation de processus dynamiques et prise en compte d effets génotypiques et environnementaux Modèle mixte non linéaire. Application à la modélisation de processus dynamiques et prise en compte d effets génotypiques et environnementaux Hervé Monod Unité MIA-Jouy en Josas INRA - Dépt Mathématiques

Plus en détail

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2013 2014 MATHS/STATS. 1 Généralités sur les tests statistiques 2

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2013 2014 MATHS/STATS. 1 Généralités sur les tests statistiques 2 UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2013 2014 Master d économie Cours de M. Desgraupes MATHS/STATS Document 4 : Les tests statistiques 1 Généralités sur les tests

Plus en détail

Actuariat IARD - ACT2040 Partie 2 - régression logistique et arbres de régression (Y {0, 1})

Actuariat IARD - ACT2040 Partie 2 - régression logistique et arbres de régression (Y {0, 1}) Actuariat IARD - ACT2040 Partie 2 - régression logistique et arbres de régression (Y {0, 1}) Arthur Charpentier charpentier.arthur@uqam.ca http ://freakonometrics.hypotheses.org/ Hiver 2013 1 Modèlisation

Plus en détail

Correction de l épreuve de Statistiques et Informatique appliquées à la Psychologie

Correction de l épreuve de Statistiques et Informatique appliquées à la Psychologie Université de Bretagne Occidentale Année Universitaire 2013-2014 U.F.R. de Lettres et Sciences Humaines CS 93837-29238 BREST CEDEX 3 Section : Psychologie - Licence 3è année Enseignant responsable : F.-G.

Plus en détail

Analyse de la variance

Analyse de la variance M2 Statistiques et Econométrie Fanny MEYER Morgane CADRAN Margaux GAILLARD Plan du cours I. Introduction II. Analyse de la variance à un facteur III. Analyse de la variance à deux facteurs IV. Analyse

Plus en détail

Présentation rapide du logiciel Epi Info

Présentation rapide du logiciel Epi Info Présentation rapide du logiciel Epi Info Loïc Desquilbet, PhD Département des Productions Animales et de Santé Publique Ecole Nationale Vétérinaire d Alfort ldesquilbet@vet-alfort.fr Tutoriel Epi Info

Plus en détail

79, avenue de la République - 75543 PARIS CEDEX 11 - Tél. : 01.49.23.20.00. I&OM Information & Operations Management

79, avenue de la République - 75543 PARIS CEDEX 11 - Tél. : 01.49.23.20.00. I&OM Information & Operations Management 79, avenue de la République - 75543 PARIS CEDEX 11 - Tél. : 01.49.23.20.00 Département : I&OM Information & Operations Management Cours : Statistique et Analyse de Données pour le Management Titre du document

Plus en détail

Régression logistique ou modèle binomial

Régression logistique ou modèle binomial 1 Régression logistique ou modèle binomial Résumé Régression logistique ou modèle binomial Rappels sur la régression logistique ou modèle binomial du modèle linéaire général. Définition de la notion de

Plus en détail

Régression de Poisson

Régression de Poisson ZHANG Mudong & LI Siheng & HU Chenyang 21 Mars, 2013 Plan Composantes des modèles Estimation Qualité d ajustement et Tests Exemples Conclusion 2/25 Introduction de modèle linéaire généralisé La relation

Plus en détail

Projet Statistiques. - Rapport -

Projet Statistiques. - Rapport - Erich FERRAGUTI Teddy HENNART Projet Statistiques - Rapport - A l attention de Julien JACQUES Le vendredi 15 mai 2009 Sommaire 1. Introduction... 4 1.1. But... 4 1.2. Cadre... 4 1.3. Contenu... 4 2. Sujet...

Plus en détail

Simulation Examen de Statistique Approfondie II **Corrigé **

Simulation Examen de Statistique Approfondie II **Corrigé ** Simulation Examen de Statistique Approfondie II **Corrigé ** Ces quatre exercices sont issus du livre d exercices de François Husson et de Jérôme Pagès intitulé Statistiques générales pour utilisateurs,

Plus en détail

MODELES dits "DE LA REPONSE A UN ITEM" (MRI) : LE CAS PARTICULIER DU MODELE DEVELOPPE PAR RASCH A PROPOS D'ITEMS DICHOTOMIQUES

MODELES dits DE LA REPONSE A UN ITEM (MRI) : LE CAS PARTICULIER DU MODELE DEVELOPPE PAR RASCH A PROPOS D'ITEMS DICHOTOMIQUES MODELES dits DE LA REPONSE A UN ITEM (MRI) : LE CAS PARTICULIER DU MODELE DEVELOPPE PAR RASCH A PROPOS D'ITEMS DICHOTOMIQUES Marc Demeuse 1 1. Description et principes!# $ % & # % '! $ && $(! ') %#%!#

Plus en détail

Formation sous SAS. Project - 27.09.2011

Formation sous SAS. Project - 27.09.2011 Formation sous SAS. Project - 27.09.2011 Ce document rassemble les informations fournies lors de la formation doctorale organisée par l'association PROJECT. Deux parties le composent: La partie procédures

Plus en détail

TP 1. Introduction au logiciel SAS Analyse Statistique Univariée

TP 1. Introduction au logiciel SAS Analyse Statistique Univariée DESS de Mathématiques Université Paris 6 TP 1. Introduction au logiciel SAS Analyse Statistique Univariée 1. Premier contact avec SAS 1. Connectez-vous sur ibm1. Lancez le logiciel : sas & Vous voyez apparaître

Plus en détail

d occasion. Solohaja-Faniaha Dimby Modèles et Apprentissage en Sciences Humaines et Sociales Paris, 04-05 Juin 2012

d occasion. Solohaja-Faniaha Dimby Modèles et Apprentissage en Sciences Humaines et Sociales Paris, 04-05 Juin 2012 Université de Paris I 90 rue de Tolbiac, Paris, France,.@malix.univ-paris1.fr Modèles et Apprentissage en Sciences Humaines et Sociales Paris, 04-05 Juin 2012 Outline 1 2 3 4 5 L étude fait suite à un

Plus en détail

Modèles ARIMA et SARIMA Estimation dans R 1 et SAS 2 Novembre 2007 Yves Aragon aragon@cict.fr

Modèles ARIMA et SARIMA Estimation dans R 1 et SAS 2 Novembre 2007 Yves Aragon aragon@cict.fr Modèles ARIMA et SARIMA Estimation dans R 1 et SAS 2 Novembre 2007 Yves Aragon aragon@cict.fr Cette note examine les différences entre R et SAS dans l estimation des modèles ARIMA et SARIMA. Elle illustre

Plus en détail

TESTS DE NORMALITE. qu elle est symétrique ) son moment centré d ordre 3 est nul 3 = 0. 3 estimé par c 3 =

TESTS DE NORMALITE. qu elle est symétrique ) son moment centré d ordre 3 est nul 3 = 0. 3 estimé par c 3 = TESTS DE NORMALITE Dans le chapitre précédent on a vu les propriétés nécessaires sur les erreurs pour que les coe cients des MCO soient les meilleurs. Dans la pratique bien sur ce ne sera pas toujours

Plus en détail

Utilisation du Logiciel de statistique SPSS 8.0

Utilisation du Logiciel de statistique SPSS 8.0 Utilisation du Logiciel de statistique SPSS 8.0 1 Introduction Etude épidémiologique transversale en population générale dans 4 pays d Afrique pour comprendre les différences de prévalence du VIH. 2000

Plus en détail

Analyse de la variance à un facteur

Analyse de la variance à un facteur Analyse de la variance à un facteur Frédéric Bertrand et Myriam Maumy-Bertrand IRMA, UMR 7501, Université de Strasbourg 08 juin 2015 F. Bertrand et M. Maumy-Bertrand (UdS) Analyse de la variance à un facteur

Plus en détail

Didacticiel - Études de cas

Didacticiel - Études de cas Objectif Mesurer l importance de la relation entre deux variables nominales. Pour quantifier le lien existant entre deux variables continues, nous utilisons généralement le coefficient de corrélation.

Plus en détail

Méthodes d analyse empirique

Méthodes d analyse empirique Méthodes d analyse empirique Partie Quantitative Michel Beine (suppl. S. Laurent) michel.beine@uni.lu Université du Luxembourg http://www.michelbeine.be Méthodes d analyse empirique p. 1/? Méthodes d analyse

Plus en détail

8. Statistique descriptive

8. Statistique descriptive 8. Statistique descriptive MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: statistique descriptive 1/47 Plan 1. Introduction 2. Terminologie 3. Descriptions graphiques des

Plus en détail

Exemple PLS avec SAS

Exemple PLS avec SAS Exemple PLS avec SAS This example, from Umetrics (1995), demonstrates different ways to examine a PLS model. The data come from the field of drug discovery. New drugs are developed from chemicals that

Plus en détail

Principaux modèles utilisés en régression logistique

Principaux modèles utilisés en régression logistique B A S E Biotechnol. Agron. Soc. Environ. 2011 15(3, 425-433 Le Point sur : Principaux modèles utilisés en régression logistique Adeline Gillet (1, Yves Brostaux (2, Rodolphe Palm (2 (1 Centre de Recherche

Plus en détail

Introduction au logiciel SAS Julien JACQUES http ://math.univ-lille1.fr/ jacques/ POLYTECH LILLE DÉPARTEMENT G.I.S.

Introduction au logiciel SAS Julien JACQUES http ://math.univ-lille1.fr/ jacques/ POLYTECH LILLE DÉPARTEMENT G.I.S. Introduction au logiciel SAS Julien JACQUES http ://math.univ-lille1.fr/ jacques/ POLYTECH LILLE DÉPARTEMENT G.I.S. Table des matières 1 Préliminaires 3 2 Introduction à SAS 3 2.1 Les différentes fenêtres........................................

Plus en détail

Régression logistique avec plusieurs variables explicative

Régression logistique avec plusieurs variables explicative Chapitre 17 Introduction à la statistique avec R Régression logistique avec plusieurs variables explicative Plusieurs variables explicatives Log p h. r. de suicide 1 p h. r. de suicide = a + b duree +

Plus en détail

Protocole d étude de l évaluation des résultats des centres de FIV 2011 1. -Activité 2011-

Protocole d étude de l évaluation des résultats des centres de FIV 2011 1. -Activité 2011- Protocole d étude Evaluation des résultats des centres de FIV -Activité 2011- Contexte Depuis 2005, l Agence de la biomédecine a pour mission de suivre et d évaluer les activités cliniques et biologiques

Plus en détail

Introduction au logiciel SAS.

Introduction au logiciel SAS. Introduction au logiciel SAS. 1. Introduction Documentation: en ligne SAS version 8 : http://v8doc.sas.com/ en ligne SAS version 9 : http://support.sas.com/onlinedoc/913/docmainpage.jsp polycopier de P.

Plus en détail

Normalité des rendements?

Normalité des rendements? Normalité des rendements? Daniel Herlemont 31 mars 2011 Table des matières 1 Introduction 1 2 Test de Normalité des rendements 2 3 Graphiques quantile-quantile 2 4 Estimation par maximum de vraisemblance

Plus en détail

Initiation à SAS Statistical Analysis System

Initiation à SAS Statistical Analysis System Initiation à SAS Statistical Analysis System Christian Longhi LATAPSES IDEFI. Base de Données Logiciel d'étude de données individuelles CRÉER, MANIPULER et GERER UTILISER TABLEAUX SAS SAS : ENSEMBLE DE

Plus en détail

GOUTTE. Analyse Statistique des Données Cours 8. Master 2 EID. LUISS, Libera Università Internazionale degli Studi Sociali

GOUTTE. Analyse Statistique des Données Cours 8. Master 2 EID. LUISS, Libera Università Internazionale degli Studi Sociali LUISS, Libera Università Internazionale degli Studi Sociali Université Paris 13 Laboratoire Analyse, Géométrie et Applications UMR 7539 GOUTTE Analyse Statistique des Données Cours 8 Master 2 EID goutte@math.univ-paris13.fr

Plus en détail

MÉTHODES ET STATISTIQUES POUR LIRE UN ARTICLE

MÉTHODES ET STATISTIQUES POUR LIRE UN ARTICLE MÉTHODES ET STATISTIQUES POUR LIRE UN ARTICLE Forum HH 05.02.2013 Ghislaine Gagnon Unité HPCI Qualitatif ou quantitatif? Les 2 méthodes peuvent être utilisées séparément ou en conjonction - le qualitatif

Plus en détail

Programme de Septembre 2000

Programme de Septembre 2000 MBA DU GROUPE HEC (ISA) Programme de Septembre 000 COURS DE STATISTIQUE ETUDE DU CAS : AVALON COSMETICS, INC PP OUU O RR LL EE LL EE CC TT EE UU RR PP RR EE SS SS EE,, LL EE SS CC O NNCC LL UU SS I OONN

Plus en détail

SAS - Compléments. (notes de cours)

SAS - Compléments. (notes de cours) 1 SAS - Compléments (notes de cours) SAS est un ensemble logiciel d'une grande richesse. On présente ici quelques commandes de base de statistique descriptive univariée et bivariée. Cet exposé ne prétend

Plus en détail

Cours 8 Les tests statistiques

Cours 8 Les tests statistiques Cours 8 Les tests statistiques Intervalle de confiance pour une proportion Dans le cas de grands échantillons (np>5 et n(1-p)>5 ) l'intervalle de confiance au niveau (1- α ) est pour la proportion inconnue

Plus en détail

MODELISATION DE DONNÉES QUALITATIVES PREMIÈRE PARTIE

MODELISATION DE DONNÉES QUALITATIVES PREMIÈRE PARTIE MODELISATION DE DONNÉES QUALITATIVES PREMIÈRE PARTIE Pierre-Louis Gonzalez 1 I INTRODUCTION 1 variable qualitative. Tri à plat. Représentations graphiques. Modélisation : loi binomiale loi multinomiale

Plus en détail

Une étude comparative de logiciels de prévision automatique de séries chronologiques

Une étude comparative de logiciels de prévision automatique de séries chronologiques Une étude comparative de logiciels de prévision automatique de séries chronologiques Valentina STAN Conservatoire National des Arts et Métiers, 292 Rue Saint Martin, F 75141 Paris Cedex 03, France valentina_titu@yahoo.fr

Plus en détail

SEMIN- Introduction au modèle linéaire mixte. Sébastien BALLESTEROS UMR 7625 Ecologie Evolution Equipe Eco-Evolution mathématique ENS Ulm, UPMS

SEMIN- Introduction au modèle linéaire mixte. Sébastien BALLESTEROS UMR 7625 Ecologie Evolution Equipe Eco-Evolution mathématique ENS Ulm, UPMS SEMIN- Introduction au modèle linéaire mixte Sébastien BALLESTEROS UMR 7625 Ecologie Evolution Equipe Eco-Evolution mathématique ENS Ulm, UPMS SEMIN-R du MNHN 18 Décembre 2008 Introduction au modèle linéaire

Plus en détail

Données longitudinales et modèles de survie

Données longitudinales et modèles de survie ANALYSE DU Données longitudinales et modèles de survie 5. Modèles de régression en temps discret André Berchtold Département des sciences économiques, Université de Genève Cours de Master ANALYSE DU Plan

Plus en détail

Une introduction. Lionel RIOU FRANÇA. Septembre 2008

Une introduction. Lionel RIOU FRANÇA. Septembre 2008 Une introduction INSERM U669 Septembre 2008 Sommaire 1 Effets Fixes Effets Aléatoires 2 Analyse Classique Effets aléatoires Efficacité homogène Efficacité hétérogène 3 Estimation du modèle Inférence 4

Plus en détail

Analyse de la variance à deux facteurs

Analyse de la variance à deux facteurs 1 1 IRMA, Université Louis Pasteur Strasbourg, France Master 1 Psychologie du développement 06-10-2008 Contexte Nous nous proposons d analyser l influence du temps et de trois espèces ligneuses d arbre

Plus en détail

Application à la base de données du TITANIC. Bérangère BERTHO & Laura SEBILLE

Application à la base de données du TITANIC. Bérangère BERTHO & Laura SEBILLE Application à la base de données du TITANIC Bérangère BERTHO & Laura SEBILLE Partie 1 : Généralités Partie 2 : Interprétations Partie 3 : Pour un meilleur modèle 2 1. Principe et estimation 2. Bonne ou

Plus en détail

Création de typologie sous SPSS

Création de typologie sous SPSS Création de typologie sous SPSS À Propos de ce document... 1 Introduction... 1 La démarche à suivre sous SPSS... 2 1. «Iterate»... 2 2. «Save»... 2 3. «Options»... 3 Analyse des résultats... 3 1. Historique

Plus en détail

Régression linéaire multiple en R Exemple détaillé

Régression linéaire multiple en R Exemple détaillé Modèle Linéaire 2016-2017 Régression linéaire multiple en R Exemple détaillé Préambule : récupération et mise en forme des données On utilise la base state de R, que nous mettons en forme. > data(state)

Plus en détail

Module Statistiques R

Module Statistiques R Module Statistiques R Module Statistiques R : Guide d'utilisation pour la connexion à une application Voozanoo4 et la création de scripts R pour la présentation de données 21 décembre 2015 - version 1.1

Plus en détail

3ICBE UFBC11 Statistique

3ICBE UFBC11 Statistique 3 ème année INSA-ICBE 2013/2014 UFBC11 contrôle de Statistique 1/8 3ICBE UFBC11 Statistique Contrôle du jeudi 7 novembre 2013 Les documents ne sont pas autorisés Modéliser la perte de poids du café lors

Plus en détail

1 Librairies et tables SAS

1 Librairies et tables SAS 1 Université Pierre et Marie Curie, Paris 6 Master 2 de Statistique Année 2014-2015 T.P. 2 Gestion des tables SAS 1 Librairies et tables SAS SAS eectue des calculs uniquement sur des chiers de données

Plus en détail

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SJAP Année universitaire 2013 2014. Cours de Statistiques et Économétrie.

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SJAP Année universitaire 2013 2014. Cours de Statistiques et Économétrie. UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SJAP Année universitaire 2013 2014 Master Droit-Éco Cours de M. Desgraupes Cours de Statistiques et Économétrie Séance 05 1 Analyse de série temporelle

Plus en détail

Erreurs de spécification dans la décomposition de l inégalité salariale

Erreurs de spécification dans la décomposition de l inégalité salariale Erreurs de spécification dans la décomposition de l inégalité salariale 1 Laurent.Donze@UniFr.ch 1 Department of Informatics University of Fribourg (Switzerland) JSS 2013, Bâle, 16 au 18 octobre 2013 Fil

Plus en détail

Correction de l Exercice

Correction de l Exercice Correction de l Exercice Un médecin et un psychologue travaillant dans un centre PMS s intéressent à trois traitements proposés dans la littérature pour aider des enfants d école primaire qui ont des problèmes

Plus en détail

Le modèle linéaire généralisé (logit, probit,...)

Le modèle linéaire généralisé (logit, probit,...) Le modèle linéaire généralisé (logit, probit,...) Master 2 Recherche SES-IES Analyse de données Ana Karina Fermin Université Paris-Ouest-Nanterre-La Défense http://fermin.perso.math.cnrs.fr/ 1 Modèle de

Plus en détail

Quelques modèles logistiques polytomiques

Quelques modèles logistiques polytomiques Quelques modèles logistiques polytomiques L. Rouvière laurent.rouviere@univ-rennes2.fr JANVIER 2015 L. Rouvière (Rennes 2) 1 / 35 1 Introduction 2 Le modèle saturé 3 Le modèle de régression logistique

Plus en détail