REGRESSION MULTIPLE: CONSOMMATION D ELECTRICITE
|
|
- Marie-Thérèse St-Laurent
- il y a 8 ans
- Total affichages :
Transcription
1 REGRESSION MULTIPLE: CONSOMMATION D ELECTRICITE LES DONNEES OBS KW SURFACE PERS PAVILLON AGE VOL SBAINS DESCRIPTION DES VARIABLES KW: Nombre de KWH consommés pendant le mois de janvier SURFACE: Surface du logement en m 2 PERS: Nombre de personnes habitant le logement PAVILLON: Pavillon codé 1; Appartement codé 0 AGE: Age du logement VOL: Volume intérieur du logement en m 3 SBAINS: Nombre desalles de bains CONSOMMATION D ELECTRICITE- LOGICIEL STATGRAPHICS
2 OBJECTIF: On souhaite expliquer la consommation d électricité au mois de janvier pour des logements équipés du tout électrique. Construire un modèle adapté à l aide des variables disponibles. A l aide du modèle retenu donner une estimation par intervalle pour la consommation d un pavillon d une surface de 150 m2, habité par 4 personnes, construit il y a 18 ans, comprenant deux salles de bains et dont le volume intérieur est de 405 m3 TABLEAU 1 : Correlation Analysis Simple Statistics Variable N Mean Std Dev Sum Minimum Maximum KW SURFACE PERS PAVILLON AGE VOL SBAINS Pearson Correlation Coefficients / Prob > R under Ho: Rho=0 / N = 18 KW SURFACE PERS PAVILLON AGE VOL SBAINS KW SURFACE PERS PAVILLON AGE VOL SBAINS CONSOMMATION D ELECTRICITE LOGICIEL STATGRAPHICS 2
3 KW surface pers pavillon age vol sbains TABLEAU 2 : MODELE COMPLET Analyse de régression multiple Variable à expliquer: KW Paramètre Estimation Erreur T Proba. type CONSTANTE -226, ,21-0, ,8693 surface 28, ,3052 0, ,6127 pers -456, ,229-1, ,0720 pavillon 595, ,274 2, ,0540 age 8, ,0671 0, ,7619 vol 4, ,0856 0, ,8261 sbains -78, ,732-0, ,7278 Analyse de variance Source Somme des carrés Ddl Carré moyen F Proba. Modèle 2,69498E7 6 4,49163E6 28,33 0,0000 Résidu 1,74383E ,0 Total (Corr.) 2,86936E7 17 R-carré = 93,9226 % R-carré (ajusté pour les ddl) = 90,6076 % Estimation de l'écart-type du résidu = 398,158 Erreur absolue moyenne = 240,068 Test de Durbin-Watson = 1,58315 (P=0,1643) Autocorrélation résiduelle d'ordre 1 = 0, CONSOMMATION D ELECTRICITE LOGICIEL STATGRAPHICS 3
4 Le StatAdvisor Le tableau montre les résultats de l'ajustement d'un modèle de régression linéaire multiple pour décrire la relation entre KW et 6variables explicatives. L'équation du modèle ajusté est : KW = -226, ,2901*surface - 456,262*pers + 595,984*pavillon + 8,40731*age + 4,52065*vol - 78,4555*sbains Comme la valeur de la probabilité dans le tableau de l'anova est inférieure à 0.01, il y a une relation statistiquement significative entre les variables au niveau de confiance de 99%. La statistique du R-carré indique que le modèle ajusté explique 93,9226% de la variabilité de KW. La statistique du R-carré ajusté, qui est plus adaptée pour comparer des modèles comportant des nombres différents de variables explicatives, est 90,6076%. L'erreur-type d'estimation indique que l'écart-type des résidus est de 398,158. Cette valeur peut être utilisée pour construire des limites de prévision pour de nouvelles observations en sélectionnant l'option Rapports dans le menu des options pour les tableaux. L'erreur absolue moyenne de 240,068 est la valeur moyenne des résidus. La statistique de Durbin-Watson (DW) teste les résidus pour déterminer s'il y a une corrélation significative basée sur l'ordre dans lequel ils apparaissent dans le fichier des données. Comme la valeur de la probabilité est supérieure à 0.05, il n'y a pas de corrélation sérielle dans les résidus. Pour déterminer si le modèle peut être simplifié, noter que la plus grande valeur de probabilité pour les variables explicatives est de 0,8261, et est associée à vol. Comme la valeur de la probabilité est supérieure ou égale à 0.10, ce terme n'est pas statistiquement significatif au niveau de confiance de 90% ou plus. Ainsi, vous pouvez envisager de supprimer vol du modèle. CONSOMMATION D ELECTRICITE LOGICIEL STATGRAPHICS 4
5 TABLEAU 3 : SELECTION DE MODELES Variables explicatives: A=surface B=pers C=pavillon D=age E=vol F=sbains Modèles ayant les plus grands R-carrés ajustés Résultats des modèles R-carré Variables MSE R-carré ajusté Cp incluses ,0 93, ,0317 1,8774 BCE ,0 93, ,9332 3,16524 ABCD ,0 93, ,8754 3,24531 ABCE ,0 93, ,7499 3,41903 BCDE ,0 93, ,4761 3,79791 BCEF ,0 93, ,3507 5,05066 ABCDF ,0 93, ,3148 5,09648 ABCEF ,0 93, ,2906 5,12749 ABCDE ,0 93, ,1779 5,27139 BCDEF ,0 91, ,4682 5,6984 ABE ,0 91, ,4609 5,70937 BDE ,0 91, ,1943 6,10673 ABD ,0 91, ,1458 7,02333 ACDE ,0 90, ,0451 5,49546 BE ,0 90, ,3735 7,33022 BEF ,0 91, ,2895 8,96176 ACDEF ,0 88, ,4553 9,63151 AD ,0 87, , ,075 CE ,0 87, , ,8027 AB ,0 86, , ,4924 E ,0 86, , ,1674 DE ,0 81,486 80, ,5101 A ,0 46,073 42, ,6068 C 1,09739E6 38,808 34, ,7565 B 1,16483E6 35, , ,563 F 1,68786E6 0,0 0,0 164, Le StatAdvisor Ce tableau affiche les modèles qui ont les meilleurs R-carrés ajustés. La statistique du R- carré ajusté mesure la proportion de la variabilité de KW expliquée par le modèle. De larges valeurs du R-carré ajusté correspondent à de petites valeurs de l'erreur quadratique moyenne (MSE). Jusqu'à 5 modèles pour chaque sous-ensemble de 0 à 5 variables sont affichés. Le meilleur modèle contient 3 variables, pers, pavillon, et vol. CONSOMMATION D ELECTRICITE LOGICIEL STATGRAPHICS 5
6 TABLEAU 4 : Procédure de sélection ascendante Régression pas à pas Méthode: sélection ascendante F-en-entrée: 4,0 F-en-sortie: 4,0 Etape 0: variables dans le modèle. 17 ddl pour l'erreur. R-carré = 0,00% R-carré ajusté = 0,00% Err. moy. quadra. = 1,68786E6 Etape 1: Entrée de la variable vol avec F-en-entrée = 102,24 1 variables dans le modèle. 16 ddl pour l'erreur. R-carré = 86,47% R-carré ajusté = 85,62% Err. moy. quadra. = ,0 Etape 2: Entrée de la variable pers avec F-en-entrée = 5, variables dans le modèle. 15 ddl pour l'erreur. R-carré = 90,33% R-carré ajusté = 89,05% Err. moy. quadra. = ,0 Etape 3: Entrée de la variable pavillon avec F-en-entrée = 6, variables dans le modèle. 14 ddl pour l'erreur. R-carré = 93,44% R-carré ajusté = 92,03% Err. moy. quadra. = ,0 Modèle final ajusté. TABLEAU 5 : Procédure de sélection descendante Régression pas à pas Méthode: sélection descendante F-en-entrée: 4,0 F-en-sortie: 4,0 Etape 0: variables dans le modèle. 11 ddl pour l'erreur. R-carré = 93,92% R-carré ajusté = 90,61% Err. moy. quadra. = ,0 Etape 1: Sortie de la variable vol avec F-en-sortie = 0, variables dans le modèle. 12 ddl pour l'erreur. R-carré = 93,89% R-carré ajusté = 91,35% Err. moy. quadra. = ,0 Etape 2: Sortie de la variable sbains avec F-en-sortie = 0, variables dans le modèle. 13 ddl pour l'erreur. R-carré = 93,83% R-carré ajusté = 91,93% Err. moy. quadra. = ,0 Modèle final ajusté. CONSOMMATION D ELECTRICITE LOGICIEL STATGRAPHICS 6
7 Analyse de régression multiple : Etude du modèle à 4 variables provenant de la sélection descendante Variable à expliquer: KW Paramètre Estimation Erreur T Proba. type CONSTANTE -522, ,74-1, ,2138 surface 39,7409 6,182 6, ,0000 pers -420, ,147-2, ,0150 pavillon 584, ,692 2, ,0322 age 14,4034 4, , ,0082 Analyse de variance Source Somme des carrés Ddl Carré moyen F Proba. Modèle 2,69236E7 4 6,7309E6 49,44 0,0000 Résidu 1,77002E ,0 Total (Corr.) 2,86936E7 17 R-carré = 93,8313 % R-carré (ajusté pour les ddl) = 91,9332 % Estimation de l'écart-type du résidu = 368,993 Erreur absolue moyenne = 240,364 Test de Durbin-Watson = 1,64108 (P=0,1949) Autocorrélation résiduelle d'ordre 1 = 0, CONSOMMATION D ELECTRICITE LOGICIEL STATGRAPHICS 7
8 TABLEAU 6 : Modele à 3 variables: VOL PAVILLON PERS Analyse de régression multiple Variable à expliquer: KW Paramètre Estimation Erreur T Proba. type CONSTANTE 399, ,086 1, ,2915 pers -461, ,248-3, ,0038 pavillon 601, ,852 2, ,0221 vol 13,3099 1, , ,0000 Analyse de variance Source Somme des carrés Ddl Carré moyen F Proba. Modèle 2,68107E7 3 8,9369E6 66,45 0,0000 Résidu 1,88292E ,0 Total (Corr.) 2,86936E7 17 R-carré = 93,4378 % R-carré (ajusté pour les ddl) = 92,0317 % Estimation de l'écart-type du résidu = 366,735 Erreur absolue moyenne = 267,736 Test de Durbin-Watson = 1,54956 (P=0,1171) Autocorrélation résiduelle d'ordre 1 = 0, Le StatAdvisor Le tableau montre les résultats de l'ajustement d'un modèle de régression linéaire multiple pour décrire la relation entre KW et 3 variables explicatives. L'équation du modèle ajusté est : KW = 399, ,968*pers + 601,781*pavillon + 13,3099*vol Matrice des corrélations des coefficients estimés CONSTANTE pers pavillon vol CONSTANTE 1,0000-0,6119 0,4007-0,1245 pers -0,6119 1,0000-0,2740-0,6617 pavillon 0,4007-0,2740 1,0000-0,2757 vol -0,1245-0,6617-0,2757 1,0000 Le StatAdvisor Le tableau donne les corrélations estimées entre les coefficients du modèle ajusté. Ces corrélations peuvent être utilisées pour détecter la présence de sérieuses multicolinéarités, par exemple la corrélation entre les variables explicatives. Dans ce cas, il y a 1 corrélation en valeur absolue supérieure à 0.5 (sans inclure le terme constant). CONSOMMATION D ELECTRICITE LOGICIEL STATGRAPHICS 8
9 INTERPRETATION DU MODELE Graphique Composant+Résidu pour KW Effet du composant vol CONSOMMATION D ELECTRICITE LOGICIEL STATGRAPHICS 9
10 Graphique Composant+Résidu pour KW Effet du composant pers Graphique Composant+Résidu pour KW Effet du composant ,2 0,4 0,6 0,8 1 pavillon CONSOMMATION D ELECTRICITE LOGICIEL STATGRAPHICS 10
11 TABLEAU 8: PREVISION ET MESURES D INFLUENCE Résultats de la régression pour KW Observé Ajusté Studentisé Ligne Résidu Résidu ,0 4610,06 194,94 0, ,0 3239,14 543,861 1, ,0 2393,9 295,099 0, ,0 5815,71-132,709-0, ,0 3611,82 138,184 0, ,0 2277,99 406,01 1, ,0 1408,97 69,0329 0, ,0 1878,69-193,693-0, ,0 2167,63-187,632-0, ,0 946, ,001 0, ,0 2497,66-74,6618-0, ,0 3824,77 428,225 1, ,0 2403,33-649,332-2, ,0 2041,25-168,246-0, ,0 4014,99-527,992-1, ,0 3429,36-475,356-1, ,0 4688,25 73,7548 0, ,0 2943,49 132,514 0, Résultats de la régression pour KW Observé Inf. 95,0% NC Sup. 95,0% NC Inf. 95,0% NC Sup. 95,0% NC Ligne pour prév. pour prév. pour moy. pour moy ,0 3729, , , , ,0 2394, , , , ,0 1548, , , , ,0 4877, , , , ,0 2768, , , , ,0 1433, , , , ,0 562, , , , ,0 1028, , , , ,0 1327, , , , ,0 48, ,39 512, , ,0 1615, , ,2 2897, ,0 2978, , ,9 4136, ,0 1497, , , , ,0 1136, , ,3 2489, ,0 3188, , , , ,0 2597, , ,2 3699, ,0 3737, , , , ,0 2084, , , , Résidus non usuels Ligne Y Y Résidu Résidu prévu studentisé ,0 2403,33-649,332-2, CONSOMMATION D ELECTRICITE LOGICIEL STATGRAPHICS 11
12 Le StatAdvisor Le tableau des résidus non usuels liste les observations qui ont des résidus studentisés supérieurs à 2.0 en valeur absolue. Les résidus studentisés mesurent de combien d'écartstypes chaque valeur observée de KW varie si on ajuste un modèle utilisant toutes les observations sauf cette observation. Dans ce cas, il y a un résidu studentisé supérieur à 2.0, mais aucun supérieur à 3.0. Points influents Ligne Levier Distance de DFITS Mahalanobis , , , Levier moyen pour une observation = 0, Le StatAdvisor Le tableau des points influents liste les observations qui ont des leviers supérieurs à 3 fois celui d'un point moyen ou qui ont des valeurs particulièrement élevées du DFITS. Le levier est une statistique qui mesure l'influence de chaque observation dans la détermination des coefficients du modèle estimé. La statistique DFITS mesure de combien les coefficients estimés changent si chaqueobservation était retirée du jeu des données. Dans ce cas, un point moyen a un levier égal à 0, Il n'y a pas de points ayant un levier 3 fois plus grand que le levier moyen. Il y a un point qui a une valeur particulièrement grande du DFITS. CONSOMMATION D ELECTRICITE LOGICIEL STATGRAPHICS 12
13 REGRESSION MULTIPLE: CONSOMMATION D ELECTRICITE LES DONNEES OBS KW SURFACE PERS PAVILLON AGE VOL SBAINS DESCRIPTION DES VARIABLES KW: Nombre de KWH consommés pendant le mois de janvier SURFACE: Surface du logement en m 2 PERS: Nombre de personnes habitant le logement PAVILLON: Pavillon codé 1; Appartement codé 0 AGE: Age du logement VOL: Volume intérieur du logement en m 3 SBAINS: Nombre desalles de bains Consommation d électricité logiciel SAS
14 OBJECTIF: On souhaite expliquer la consommation d électricité au mois de janvier pour des logements équipés du tout électrique. Construire un modèle adapté à l aide des variables disponibles. A l aide du modèle retenu donner une estimation par intervalle pour la consommation d un pavillon d une surface de 150 m2, habité par 4 personnes, construit il y a 18 ans, comprenant deux salles de bains et dont le volume intérieur est de 405 m3 TABLEAU 1: PROGRAMME SAS OPTIONS LS=80; data electric; INPUT KW SURFACE PERS PAVILLON AGE VOL SBAINS ; cards; ; proc print; proc corr; proc reg data= electric; model KW = SURFACE PERS PAVILLON AGE VOL SBAINS ; model KW = SURFACE PERS PAVILLON AGE VOL SBAINS / selection=adjrsq rmse cp; model KW = SURFACE PERS PAVILLON AGE VOL SBAINS / selection =forward details ; model KW = SURFACE PERS PAVILLON AGE VOL SBAINS / selection = backward details; model KW = PAVILLON PERS VOL 2
15 / CORRB COLLIN INFLUENCE R CLM CLI ; quit; TABLEAU 2 : Correlation Analysis Simple Statistics Variable N Mean Std Dev Sum Minimum Maximum KW SURFACE PERS PAVILLON AGE VOL SBAINS Pearson Correlation Coefficients / Prob > R under Ho: Rho=0 / N = 18 KW SURFACE PERS PAVILLON AGE VOL SBAINS KW SURFACE PERS PAVILLON AGE VOL SBAINS
16 KW surface pers pavillon age vol sbains 4
17 TABLEAU 3 : MODELE COMPLET Model: MODEL1 Dependent Variable: KW Analysis of Variance Sum of Mean Source DF Squares Square F Value Prob>F Model Error C Total Root MSE R-square Dep Mean Adj R-sq C.V Parameter Estimates Parameter Standard T for H0: Variable DF Estimate Error Parameter=0 Prob > T INTERCEP SURFACE PERS PAVILLON AGE VOL SBAINS
18 TABLEAU 4 : SELECTION DE MODELES N = 18 Regression Models for Dependent Variable: KW Adjusted R-square C(p) Root Variables in Model R-square In MSE PERS PAVILLON VOL SURFACE PERS PAVILLON AGE SURFACE PERS PAVILLON VOL PERS PAVILLON AGE VOL PERS PAVILLON VOL SBAINS SURFACE PERS PAVILLON AGE SBAINS SURFACE PERS PAVILLON VOL SBAINS SURFACE PERS PAVILLON AGE VOL PERS PAVILLON AGE VOL SBAINS SURFACE PERS PAVILLON AGE VOL SBAINS SURFACE PERS VOL PERS AGE VOL SURFACE PERS AGE SURFACE PAVILLON AGE VOL PERS VOL SURFACE PERS AGE VOL SURFACE PERS VOL SBAINS PERS AGE VOL SBAINS SURFACE PERS AGE SBAINS PERS VOL SBAINS SURFACE PAVILLON AGE VOL SBAINS SURFACE PAVILLON AGE SURFACE PERS AGE VOL SBAINS SURFACE PAVILLON AGE SBAINS SURFACE PERS PAVILLON SURFACE AGE VOL SURFACE AGE PAVILLON AGE VOL PAVILLON VOL SURFACE PERS PAVILLON SBAINS SURFACE PERS VOL SURFACE AGE SBAINS SURFACE AGE VOL SBAINS PAVILLON VOL SBAINS SURFACE PAVILLON VOL PAVILLON AGE VOL SBAINS AGE VOL SURFACE PERS SBAINS SURFACE VOL VOL SBAINS SURFACE PAVILLON VOL SBAINS AGE VOL SBAINS SURFACE VOL SBAINS SURFACE SURFACE PAVILLON SURFACE SBAINS SURFACE PAVILLON SBAINS PERS PAVILLON AGE 6
19 Adjusted R-square C(p) Root Variables in Model R-square In MSE PERS PAVILLON AGE SBAINS PAVILLON AGE SBAINS PAVILLON AGE PERS AGE SBAINS PERS AGE AGE SBAINS PERS PAVILLON PERS PAVILLON SBAINS PAVILLON SBAINS PAVILLON PERS SBAINS PERS SBAINS AGE TABLEAU 5 : Forward Selection Procedure for Dependent Variable KW Statistics for Entry: Step 1 DF = 1,16 Model Variable Tolerance R**2 F Prob>F SURFACE PERS PAVILLON AGE VOL SBAINS Step 1 Variable VOL Entered R-square = C(p) = DF Sum of Squares Mean Square F Prob>F Regression Error Total Parameter Standard Type II Variable Estimate Error Sum of Squares F Prob>F INTERCEP VOL Bounds on condition number: 1, Statistics for Entry: Step 2 DF = 1,15 Model Variable Tolerance R**2 F Prob>F SURFACE PERS PAVILLON AGE SBAINS
20 Step 2 Variable PERS Entered R-square = C(p) = DF Sum of Squares Mean Square F Prob>F Regression Error Total Parameter Standard Type II Variable Estimate Error Sum of Squares F Prob>F INTERCEP PERS VOL Bounds on condition number: , Statistics for Entry: Step 3 DF = 1,14 Model Variable Tolerance R**2 F Prob>F SURFACE PAVILLON AGE SBAINS Step 3 Variable PAVILLON Entered R-square = C(p) = DF Sum of Squares Mean Square F Prob>F Regression Error Total Parameter Standard Type II Variable Estimate Error Sum of Squares F Prob>F INTERCEP PERS PAVILLON VOL Bounds on condition number: , Statistics for Entry: Step 4 DF = 1,13 Model Variable Tolerance R**2 F Prob>F SURFACE AGE SBAINS Step 4 Variable SURFACE Entered R-square = C(p) = DF Sum of Squares Mean Square F Prob>F Regression Error Total
21 Parameter Standard Type II Variable Estimate Error Sum of Squares F Prob>F INTERCEP SURFACE PERS PAVILLON VOL Bounds on condition number: , No other variable met the significance level for entry into the model. Summary of Forward Selection Procedure for Dependent Variable KW Variable Number Partial Model Step Entered In R**2 R**2 C(p) F Prob>F 1 VOL PERS PAVILLON SURFACE TABLEAU 6 : Backward Elimination Procedure for Dependent Variable KW Step 0 All Variables Entered R-square = C(p) = DF Sum of Squares Mean Square F Prob>F Regression Error Total Parameter Standard Type II Variable Estimate Error Sum of Squares F Prob>F INTERCEP SURFACE PERS PAVILLON AGE VOL SBAINS Bounds on condition number: , Statistics for Removal: Step 1 DF = 1,11 Partial Model Variable R**2 R**2 SURFACE PERS PAVILLON AGE VOL SBAINS
22 Step 1 Variable VOL Removed R-square = C(p) = DF Sum of Squares Mean Square F Prob>F Regression Error Total Parameter Standard Type II Variable Estimate Error Sum of Squares F Prob>F INTERCEP SURFACE PERS PAVILLON AGE SBAINS Bounds on condition number: , Statistics for Removal: Step 2 DF = 1,12 Partial Model Variable R**2 R**2 SURFACE PERS PAVILLON AGE SBAINS Step 2 Variable SBAINS Removed R-square = C(p) = DF Sum of Squares Mean Square F Prob>F Regression Error Total Parameter Standard Type II Variable Estimate Error Sum of Squares F Prob>F INTERCEP SURFACE PERS PAVILLON AGE Bounds on condition number: , All variables left in the model are significant at the level. Summary of Backward Elimination Procedure for Dependent Variable KW Variable Number Partial Model Step Removed In R**2 R**2 C(p) F Prob>F 1 VOL SBAINS
23 TABLEAU 7 : Modele à 3 variables: VOL PAVILLON PERS Model: MODEL4 Dependent Variable: KW Analysis of Variance Sum of Mean Source DF Squares Square F Value Prob>F Model Error C Total Root MSE R-square Dep Mean Adj R-sq C.V Parameter Estimates Parameter Standard T for H0: Variable DF Estimate Error Parameter=0 Prob > T INTERCEP PAVILLON PERS VOL Correlation of Estimates CORRB INTERCEP PAVILLON PERS VOL INTERCEP PAVILLON PERS VOL Collinearity Diagnostics Condition Var Prop Var Prop Var Prop Var Prop Number Eigenvalue Index INTERCEP PAVILLON PERS VOL
24 INTERPRETATION DU MODELE (X 1000) 4 Component+Residual Plot for KW component effect vol Component+Residual Plot for KW component effect pers 12
25 Component+Residual Plot for KW component effect ,2 0,4 0,6 0,8 1 pavillon TABLEAU 8: PREVISION ET MESURES D INFLUENCE Dep Var Predict Std Err Lower95% Upper95% Lower95% Upper95% Obs KW Value Predict Mean Mean Predict Predict
26 Std Err Student Cook's Obs Residual Residual Residual D Rstudent * *** * ** * * ** **** * *** ** Hat Diag Cov INTERCEP PAVILLON PERS VOL Obs H Ratio Dffits Dfbetas Dfbetas Dfbetas Dfbetas Sum of Residuals 0 Sum of Squared Residuals Predicted Resid SS (Press)
Exemples d application
AgroParisTech Exemples d application du modèle linéaire E Lebarbier, S Robin Table des matières 1 Introduction 4 11 Avertissement 4 12 Notations 4 2 Régression linéaire simple 7 21 Présentation 7 211 Objectif
Plus en détailMODELE A CORRECTION D ERREUR ET APPLICATIONS
MODELE A CORRECTION D ERREUR ET APPLICATIONS Hélène HAMISULTANE Bibliographie : Bourbonnais R. (2000), Econométrie, DUNOD. Lardic S. et Mignon V. (2002), Econométrie des Séries Temporelles Macroéconomiques
Plus en détailModèles 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 détailExemple 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 détailRégression linéaire. Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr
Régression linéaire Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr 2005 Plan Régression linéaire simple Régression multiple Compréhension de la sortie de la régression Coefficient de détermination R
Plus en détailExercices 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 détailAnalyse de la variance Comparaison de plusieurs moyennes
Analyse de la variance Comparaison de plusieurs moyennes Biostatistique Pr. Nicolas MEYER Laboratoire de Biostatistique et Informatique Médicale Fac. de Médecine de Strasbourg Mars 2011 Plan 1 Introduction
Plus en détaildistribution 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 détailChapitre 4 : Régression linéaire
Exercice 1 Méthodes statistiques appliquées aux sciences sociales (STAT-D-203) Titulaire : Catherine Vermandele Chapitre 4 : Régression linéaire Le diplôme de Master of Business Administration ou MBA est
Plus en détailUne 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 détailÉvaluation de la régression bornée
Thierry Foucart UMR 6086, Université de Poitiers, S P 2 M I, bd 3 téléport 2 BP 179, 86960 Futuroscope, Cedex FRANCE Résumé. le modèle linéaire est très fréquemment utilisé en statistique et particulièrement
Plus en détailIBM SPSS Regression 21
IBM SPSS Regression 21 Remarque : Avant d utiliser ces informations et le produit qu elles concernent, lisez les informations générales sous Remarques sur p. 46. Cette version s applique à IBM SPSS Statistics
Plus en détailUn 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 détailSTATISTIQUES. UE Modélisation pour la biologie
STATISTIQUES UE Modélisation pour la biologie 2011 Cadre Général n individus: 1, 2,..., n Y variable à expliquer : Y = (y 1, y 2,..., y n ), y i R Modèle: Y = Xθ + ε X matrice du plan d expériences θ paramètres
Plus en détailAnalyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés
Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Professeur Patrice Francour francour@unice.fr Une grande partie des illustrations viennent
Plus en détailIntroduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
Plus en détailAnalyse de variance à deux facteurs (plan inter-sujets à deux facteurs) TP9
Analyse de variance à deux facteurs (plan inter-sujets à deux facteurs) TP9 L analyse de variance à un facteur permet de vérifier, moyennant certaines hypothèses, si un facteur (un critère de classification,
Plus en détailData mining II. Modélisation Statistique & Apprentissage
Publications du Laboratoire de Statistique et Probabilités Data mining II. Modélisation Statistique & Apprentissage Philippe BESSE Version janvier 2003 mises à jour : www.lsp.ups-tlse.fr/besse Laboratoire
Plus en détailBureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr
Dominique Muller Laboratoire Inter-universitaire de Psychologie Bureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr Supports de cours : webcom.upmf-grenoble.fr/lip/perso/dmuller/m2r/acm/
Plus en détailSAS de base : gestion des données et procédures élémentaires
1 SAS de base : gestion des données et procédures élémentaires SAS de base : gestion des données et procédures élémentaires Résumé Description des commandes (module SAS de base) les plus utiles de l étape
Plus en détailDonnées 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 détailINITIATION AU LOGICIEL SAS
INITIATION AU LOGICIEL SAS (version 9.1.3 sous Windows) Hélène HAMISULTANE Bibliographie : Initiation au logiciel SAS(9) pour Windows, Coqué N. (juin 2006). www.agroparistech.fr/img/pdf/polysas.pdf SAS
Plus en détailLire ; Compter ; Tester... avec R
Lire ; Compter ; Tester... avec R Préparation des données / Analyse univariée / Analyse bivariée Christophe Genolini 2 Table des matières 1 Rappels théoriques 5 1.1 Vocabulaire....................................
Plus en détailTABLE DES MATIERES. C Exercices complémentaires 42
TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence
Plus en détailDirection des Études et Synthèses Économiques Département des Comptes Nationaux Division des Comptes Trimestriels
Etab=MK3, Timbre=G430, TimbreDansAdresse=Vrai, Version=W2000/Charte7, VersionTravail=W2000/Charte7 Direction des Études et Synthèses Économiques Département des Comptes Nationaux Division des Comptes Trimestriels
Plus en détailFormations EViews FORMATIONS GENERALES INTRODUCTIVES INTRO : INTRODUCTION A LA PRATIQUE DE L ECONOMETRIE AVEC EVIEWS
Formations EViews FORMATIONS GENERALES INTRODUCTIVES DEB : DECOUVERTE DU LOGICIEL EVIEWS INTRO : INTRODUCTION A LA PRATIQUE DE L ECONOMETRIE AVEC EVIEWS FORMATIONS METHODES ECONOMETRIQUES VAR : MODELES
Plus en détailPROGRAMME (Susceptible de modifications)
Page 1 sur 8 PROGRAMME (Susceptible de modifications) Partie 1 : Méthodes des revues systématiques Mercredi 29 mai 2013 Introduction, présentation du cours et des participants Rappel des principes et des
Plus en détailTABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.
STATISTIQUE THÉORIQUE ET APPLIQUÉE Tome 2 Inférence statistique à une et à deux dimensions Pierre Dagnelie TABLE DES MATIÈRES Bruxelles, De Boeck, 2011, 736 p. ISBN 978-2-8041-6336-5 De Boeck Services,
Plus en détailLOGO. Module «Big Data» Extraction de Connaissances à partir de Données. Claudia MARINICA MCF, ETIS UCP/ENSEA/CNRS Claudia.Marinica@u-cergy.
Module «Big Data» Extraction de Connaissances à partir de Données Claudia MARINICA MCF, ETIS UCP/ENSEA/CNRS Claudia.Marinica@u-cergy.fr 14 Janvier 2015 Pourquoi l extraction de connaissances à partir de
Plus en détailPrincipe d un test statistique
Biostatistiques Principe d un test statistique Professeur Jean-Luc BOSSON PCEM2 - Année universitaire 2012/2013 Faculté de Médecine de Grenoble (UJF) - Tous droits réservés. Objectifs pédagogiques Comprendre
Plus en détailRelation entre deux variables : estimation de la corrélation linéaire
CHAPITRE 3 Relation entre deux variables : estimation de la corrélation linéaire Parmi les analyses statistiques descriptives, l une d entre elles est particulièrement utilisée pour mettre en évidence
Plus en détail2.4 Représentation graphique, tableau de Karnaugh
2 Fonctions binaires 45 2.4 Représentation graphique, tableau de Karnaugh On peut définir complètement une fonction binaire en dressant son tableau de Karnaugh, table de vérité à 2 n cases pour n variables
Plus en détailImputation 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 détailÉtude 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 détailCONFERENCE PALISADE. Optimisation robuste d un plan d expériences par simulation Monte-Carlo Concepts de «Design Space» et de «Quality by Design»
CONFERENCE PALISADE Optimisation robuste d un plan d expériences par simulation Monte-Carlo Concepts de «Design Space» et de «Quality by Design» 1 SIGMA PLUS Logiciels, Formations et Etudes Statistiques
Plus en détailLogiciel XLSTAT version 7.0. 40 rue Damrémont 75018 PARIS
Logiciel XLSTAT version 7.0 Contact : Addinsoft 40 rue Damrémont 75018 PARIS 2005-2006 Plan Présentation générale du logiciel Statistiques descriptives Histogramme Discrétisation Tableau de contingence
Plus en détailFORMULAIRE DE STATISTIQUES
FORMULAIRE DE STATISTIQUES I. STATISTIQUES DESCRIPTIVES Moyenne arithmétique Remarque: population: m xμ; échantillon: Mx 1 Somme des carrés des écarts "# FR MOYENNE(série) MOYENNE(série) NL GEMIDDELDE(série)
Plus en détailGestion de Portefeuille. Mesures de Performance Ajustées du Risque
Gestion de Portefeuille Mesures de Performance Ajustées du Risque Le Ratio de Sharpe La mesure de performance (ajustée du risque) la plus utilisée Rappel: Propriétés du ratio de Sharpe Mesure de la stratégie:
Plus en détailStéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE. 06/12/2009 Stéphane Tufféry - Data Mining - http://data.mining.free.fr
Stéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE 1 Plan du cours Qu est-ce que le data mining? A quoi sert le data mining? Les 2 grandes familles de techniques Le déroulement d un projet de data
Plus en détailLe risque Idiosyncrasique
Le risque Idiosyncrasique -Pierre CADESTIN -Magali DRIGHES -Raphael MINATO -Mathieu SELLES 1 Introduction Risque idiosyncrasique : risque non pris en compte dans le risque de marché (indépendant des phénomènes
Plus en détailESIEA PARIS 2011-2012
ESIEA PARIS 2011-2012 Examen MAT 5201 DATA MINING Mardi 08 Novembre 2011 Première Partie : 15 minutes (7 points) Enseignant responsable : Frédéric Bertrand Remarque importante : les questions de ce questionnaire
Plus en détail$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU
$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU Fabien FIGUERES fabien.figueres@mpsa.com 0RWVFOpV : Krigeage, plans d expériences space-filling, points de validations, calibration moteur. 5pVXPp Dans le
Plus en détailSéance 11 : Typologies
Séance 11 : Typologies Sommaire Proc CLUSTER : Typologie hiérarchique... 3 Proc FASTCLUS : Typologie nodale... 8 Proc MODECLUS : Typologie non paramétrique... 11 - Les phénomènes observés (attitudes, comportements,
Plus en détailCONCOURS 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 détailSéance 0 : Linux + Octave : le compromis idéal
Séance 0 : Linux + Octave : le compromis idéal Introduction Linux est un système d'exploitation multi-tâches et multi-utilisateurs, basé sur la gratuité et développé par une communauté de passionnés. C'est
Plus en détailIntroduction à la statistique non paramétrique
Introduction à la statistique non paramétrique Catherine MATIAS CNRS, Laboratoire Statistique & Génome, Évry http://stat.genopole.cnrs.fr/ cmatias Atelier SFDS 27/28 septembre 2012 Partie 2 : Tests non
Plus en détailINF6304 Interfaces Intelligentes
INF6304 Interfaces Intelligentes filtres collaboratifs 1/42 INF6304 Interfaces Intelligentes Systèmes de recommandations, Approches filtres collaboratifs Michel C. Desmarais Génie informatique et génie
Plus en détailIntroduction aux Statistiques et à l utilisation du logiciel R
Introduction aux Statistiques et à l utilisation du logiciel R Christophe Lalanne Christophe Pallier 1 Introduction 2 Comparaisons de deux moyennes 2.1 Objet de l étude On a mesuré le temps de sommeil
Plus en détailModèles Estimés sur Données de Panel
Modèles Estimés sur Données de Panel Introduction Il est fréquent en économétrie qu on ait à composer avec des données à deux dimensions : - une dimension chronologique - une dimension spatiale Par exemple,
Plus en détailStatistiques. Rappels de cours et travaux dirigés. Master 1 Biologie et technologie du végétal. Année 2010-2011
Master 1 Biologie et technologie du végétal Année 010-011 Statistiques Rappels de cours et travaux dirigés (Seul ce document sera autorisé en examen) auteur : Jean-Marc Labatte jean-marc.labatte@univ-angers.fr
Plus en détailANTISELECTION ET CHOIX D'ASSURANCE : LE CAS DU VOL EN HABITATION UNE APPROCHE DE LA MESURE DU PHENOMENE
ANTISELECTION ET CHOIX D'ASSURANCE : LE CAS DU VOL EN HABITATION UNE APPROCHE DE LA MESURE DU PHENOMENE Yannick MACÉ Statisticien-Economiste Responsable du Secteur Analyses Techniques, Groupama (C.C.A.M.A.)
Plus en détailTESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION
TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun
Plus en détail1 Définition de la non stationnarité
Chapitre 2: La non stationnarité -Testsdedétection Quelques notes de cours (non exhaustives) 1 Définition de la non stationnarité La plupart des séries économiques sont non stationnaires, c est-à-direqueleprocessusquiles
Plus en détailCritère du choix des variables auxiliaires à utiliser dans l'estimateur par calage
des variables auxiliaires à utiliser dans l'estimateur par calage Mohammed El Haj Tirari Institut National de Statistique et d'economie Appliquée - roc Laboratoire de Statistique d'enquêtes, CREST - Ensai
Plus en détailMémoire d actuariat - promotion 2010. complexité et limites du modèle actuariel, le rôle majeur des comportements humains.
Mémoire d actuariat - promotion 2010 La modélisation des avantages au personnel: complexité et limites du modèle actuariel, le rôle majeur des comportements humains. 14 décembre 2010 Stéphane MARQUETTY
Plus en détailAnalyse des durées de vie avec le logiciel R
Analyse des durées de vie avec le logiciel R Ségolen Geffray Des outils ainsi que des données pour l analyse des durées de vie sont disponibles dans les packages survival MASS Il est nécessaire de charger
Plus en détailAnalyse discriminante et régression logistique: application au cas de l innovation pour les entreprises du Canton du Tessin
Analyse discriminante et régression logistique: application au cas de l innovation pour les entreprises du Canton du Tessin Sandro Petrillo Université de Neuchâtel - Diplôme Postgrade en Statistique Projet
Plus en détailCAPTEURS - CHAINES DE MESURES
CAPTEURS - CHAINES DE MESURES Pierre BONNET Pierre Bonnet Master GSI - Capteurs Chaînes de Mesures 1 Plan du Cours Propriétés générales des capteurs Notion de mesure Notion de capteur: principes, classes,
Plus en détailModèle GARCH Application à la prévision de la volatilité
Modèle GARCH Application à la prévision de la volatilité Olivier Roustant Ecole des Mines de St-Etienne 3A - Finance Quantitative Décembre 2007 1 Objectifs Améliorer la modélisation de Black et Scholes
Plus en détailBiostatistiques : Petits effectifs
Biostatistiques : Petits effectifs Master Recherche Biologie et Santé P. Devos DRCI CHRU de Lille EA2694 patrick.devos@univ-lille2.fr Plan Données Générales : Définition des statistiques Principe de l
Plus en détailUne comparaison de méthodes de discrimination des masses de véhicules automobiles
p.1/34 Une comparaison de méthodes de discrimination des masses de véhicules automobiles A. Rakotomamonjy, R. Le Riche et D. Gualandris INSA de Rouen / CNRS 1884 et SMS / PSA Enquêtes en clientèle dans
Plus en détailLa problématique des tests. Cours V. 7 mars 2008. Comment quantifier la performance d un test? Hypothèses simples et composites
La problématique des tests Cours V 7 mars 8 Test d hypothèses [Section 6.1] Soit un modèle statistique P θ ; θ Θ} et des hypothèses H : θ Θ H 1 : θ Θ 1 = Θ \ Θ Un test (pur) est une statistique à valeur
Plus en détailLE TABLEUR OPENOFFICE CALC : CONTRÔLES DE FORMULAIRES ACCÈS AUX BASES DE DONNÉES
LE TABLEUR OPENOFFICE CALC : CONTRÔLES DE FORMULAIRES ACCÈS AUX BASES DE DONNÉES 1. Les bases de données dans OpenOffice CALC Dans OpenOffice Calc une base de données désigne simplement un tableau de valeurs.
Plus en détailPROJET MODELE DE TAUX
MASTER 272 INGENIERIE ECONOMIQUE ET FINANCIERE PROJET MODELE DE TAUX Pricing du taux d intérêt des caplets avec le modèle de taux G2++ Professeur : Christophe LUNVEN 29 Fevrier 2012 Taylan KUNAL - Dinh
Plus en détaildonnées en connaissance et en actions?
1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)
Plus en détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
Plus en détailSAS ENTERPRISE MINER POUR L'ACTUAIRE
SAS ENTERPRISE MINER POUR L'ACTUAIRE Conférence de l Association des Actuaires I.A.R.D. 07 JUIN 2013 Sylvain Tremblay Spécialiste en formation statistique SAS Canada AGENDA Survol d Enterprise Miner de
Plus en détailSéries Statistiques Simples
1. Collecte et Représentation de l Information 1.1 Définitions 1.2 Tableaux statistiques 1.3 Graphiques 2. Séries statistiques simples 2.1 Moyenne arithmétique 2.2 Mode & Classe modale 2.3 Effectifs &
Plus en détailConception systematique d'algorithmes de detection de pannes dans les systemes dynamiques Michele Basseville, Irisa/Cnrs, Campus de Beaulieu, 35042 Rennes Cedex, bassevilleirisa.fr. 1 Publications. Exemples
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Gilles Gasso, Stéphane Canu INSA Rouen -Département ASI Laboratoire LITIS 8 septembre 205. Ce cours est librement inspiré du cours DM de Alain Rakotomamonjy Gilles Gasso, Stéphane
Plus en détail1. Vocabulaire : Introduction au tableau élémentaire
L1-S1 Lire et caractériser l'information géographique - Le traitement statistique univarié Statistique : le terme statistique désigne à la fois : 1) l'ensemble des données numériques concernant une catégorie
Plus en détailProcessus de compétitivité : Facteurs et évaluation
Processus de compétitivité : Facteurs et évaluation Application aux entreprises tunisiennes par Selma Katlane Ben Mlouka Selma Katlane Ben Mlouka Docteur en gestion, Assistante à la Faculté des Sciences
Plus en détailExercices sur SQL server 2000
Exercices sur SQL server 2000 La diagramme de classe : Exercices sur SQL server 2000 Le modèle relationnel correspondant : 1 Créer les tables Clic-droit on Tables et choisir «New Table» Créer la table
Plus en détailEFFICACITÉ ET INNOCUITÉ D UN MÉDICAMENT CONTRE LA MPOC COMPARATIVEMENT À UN CONTRÔLE
MICHÈLE PICARD FLIBOTTE EFFICACITÉ ET INNOCUITÉ D UN MÉDICAMENT CONTRE LA MPOC COMPARATIVEMENT À UN CONTRÔLE Essai-stage présenté à la Faculté des études supérieures de l Université Laval dans le cadre
Plus en détailRépartition du tourisme de croisière dans la Caraïbe : quels déterminants?
Centre d Etude et de Recherche en Economie, Gestion, Modélisation et Informatique Appliquée www.ceregmia.eu Document de travail 2010-09 Décembre 2010 Répartition du tourisme de croisière dans la Caraïbe
Plus en détailComment évaluer une banque?
Comment évaluer une banque? L évaluation d une banque est basée sur les mêmes principes généraux que n importe quelle autre entreprise : une banque vaut les flux qu elle est susceptible de rapporter dans
Plus en détailL ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ
L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ INTRODUCTION Données : n individus observés sur p variables quantitatives. L A.C.P. permet d eplorer les liaisons entre variables et
Plus en détailExercice : la frontière des portefeuilles optimaux sans actif certain
Exercice : la frontière des portefeuilles optimaux sans actif certain Philippe Bernard Ingénierie Economique & Financière Université Paris-Dauphine Février 0 On considère un univers de titres constitué
Plus en détailIntroduction à la Statistique Inférentielle
UNIVERSITE MOHAMMED V-AGDAL SCIENCES FACULTE DES DEPARTEMENT DE MATHEMATIQUES SMI semestre 4 : Probabilités - Statistique Introduction à la Statistique Inférentielle Prinemps 2013 0 INTRODUCTION La statistique
Plus en détail1 Modélisation d être mauvais payeur
1 Modélisation d être mauvais payeur 1.1 Description Cet exercice est très largement inspiré d un document que M. Grégoire de Lassence de la société SAS m a transmis. Il est intitulé Guide de démarrage
Plus en détailUniversité de Montréal. département de sociologie. L'analyse factorielle et l'analyse de fidélité. notes de cours et exemples
Université de Montréal département de sociologie L'analyse factorielle et l'analyse de fidélité notes de cours et exemples Claire Durand, 2003 Notes aux lecteurs... Ce texte a d'abord été préparé pour
Plus en détailSDLS08 - Modes propres d'une plaque carrée calculés sur base réduite
Titre : SDLS08 - Modes propres d'une plaque carrée calculé[...] Date : 03/08/2011 Page : 1/6 SDLS08 - Modes propres d'une plaque carrée calculés sur base réduite Résumé : Ce cas test a pour objectif de
Plus en détailFOAD COURS D ECONOMETRIE 1 CHAPITRE 2 : Hétéroscédasicité des erreurs. 23 mars 2012.
FOAD COURS D ECONOMETRIE CHAPITRE 2 : Hétéroscédasicité des erreurs. 23 mars 202. Christine Maurel Maître de conférences en Sciences Economiques Université de Toulouse - Capitole Toulouse School of Economics-ARQADE
Plus en détailAnalyse des correspondances avec colonne de référence
ADE-4 Analyse des correspondances avec colonne de référence Résumé Quand une table de contingence contient une colonne de poids très élevé, cette colonne peut servir de point de référence. La distribution
Plus en détailStatistiques Descriptives à une dimension
I. Introduction et Définitions 1. Introduction La statistique est une science qui a pour objectif de recueillir et de traiter les informations, souvent en très grand nombre. Elle regroupe l ensemble des
Plus en détailFaire un semi variograme et une carte krigée avec surfer
Faire un semi variograme et une carte krigée avec surfer Jérôme Mathieu http://www.jerome.mathieu.freesurf.fr avril 2004 Fichier de données Faire un fichier excel avec les données organisée en colonnes:
Plus en détailIBM SPSS Forecasting. Créez des prévisions d'expert en un clin d'œil. Points clés. IBM Software Business Analytics
IBM SPSS Statistics 19 IBM SPSS Forecasting Créez des prévisions d'expert en un clin d'œil Points clés Développer des prévisions fiables rapidement Réduire les erreurs de prévision Mettre à jour et gérer
Plus en détailPROGRAMMATION ET LOGICIELS ECONOMETRIQUES
PROGRAMMATION ET LOGICIELS ECONOMETRIQUES Manfred GILLI UNIVERSITE DE GENEVE Département d économétrie 1993 2006 (Ed 10 11 2006) TABLE DES MATIÈRES 1 ENVIRONNEMENT DE TRAVAIL 1 2 TSP: NOTIONS GÉNÉRALES
Plus en détailIntroduction à SPSS. Guy Mélard, U.L.B. Mars 2006 (gmelard@ulb.ac.be) Guy Mélard, ULB 1. Introduction à SPSS. Objectif de la leçon.
à SPSS Objectif de la leçon à SPSS Elle a pour but de fournir une introduction à ce logiciel statistique de manière à faciliter son utilisation en complément de SAS, avec l illustration sur des exemples
Plus en détailDETERMINATION DE L INCERTITUDE DE MESURE POUR LES ANALYSES CHIMIQUES QUANTITATIVES
Agence fédérale pour la Sécurité de la Chaîne alimentaire Administration des Laboratoires Procédure DETERMINATION DE L INCERTITUDE DE MESURE POUR LES ANALYSES CHIMIQUES QUANTITATIVES Date de mise en application
Plus en détailValidation probabiliste d un Système de Prévision d Ensemble
Validation probabiliste d un Système de Prévision d Ensemble Guillem Candille, janvier 2006 Système de Prévision d Ensemble (EPS) (ECMWF Newsletter 90, 2001) Plan 1 Critères de validation probabiliste
Plus en détailDidacticiel - Études de cas. Description de quelques fonctions du logiciel PSPP, comparaison des résultats avec ceux de Tanagra, R et OpenStat.
1 Objectif Description de quelques fonctions du logiciel PSPP, comparaison des résultats avec ceux de Tanagra, R et OpenStat. Tout le monde l aura compris, je passe énormément de temps à analyser les logiciels
Plus en détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en détailChristophe SANNIER christophe.sannier@sirs-fr.com
Systèmes d Information à Référence Spatiale Utilisation d un Estimateur de Régression avec des Données Landsat pour l Estimation de l Etendu et des Changements du Couvert Forestier du Gabon de 1990 à 2010
Plus en détailSurveillance et maintenance prédictive : évaluation de la latence de fautes. Zineb SIMEU-ABAZI Univ. Joseph Fourier, LAG)
Surveillance et maintenance prédictive : évaluation de la latence de fautes Zineb SIMEU-ABAZI Univ. Joseph Fourier, LAG) SURVEILLANCE Analyser une situation et fournir des indicateurs! Détection de symptômes!
Plus en détailPremiers pas avec SES-Pegase (version 7.0) SES : Un Système Expert pour l analyse Statistique des données. Premiers pas avec SES-Pegase 1
Premiers pas avec SES-Pegase 1 Premiers pas avec SES-Pegase (version 7.0) SES : Un Système Expert pour l analyse Statistique des données www.delta-expert.com Mise à jour : Premiers pas avec SES-Pegase
Plus en détailTP: Représentation des signaux binaires. 1 Simulation d un message binaire - Codage en ligne
Objectifs : Ce TP est relatif aux différentes méthodes de codage d une information binaire, et à la transmission en bande de base de cette information. Les grandes lignes de ce TP sont l étude des méthodes
Plus en détailEcts. Utilitaire d Économétrie Version 2. Russell Davidson
Ects Utilitaire d Économétrie Version 2 Russell Davidson Mars 1993 Ects, Version 2 c Russell Davidson, Mars 1993. Tous droits de reproduction, de traduction, d adaptation, et d exécution réservés pour
Plus en détailExemples d Analyses de Variance avec R
Exemples d Analyses de Variance avec R Christophe Pallier 5 août 00 Résumé R est un logiciel d analyse statistique qui fournit toutes les procédures usuelles (t-tests, anova, tests non paramétriques...)
Plus en détailUtilisation 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