Introduction à l Econométrie. MOSEF Partie 5
|
|
- Anne-Laure Baril
- il y a 8 ans
- Total affichages :
Transcription
1 Introduction à l Econométrie MOSEF Partie 5
2 Qualité d ajustement (R et R ajusté) chaque observation est constituée de la part expliquée et inexpliquée. y i = yˆ + uˆ Nous définissons : ( yi y) ( yˆ y) i i i Somme des Carrés Totale (SCT) Somme des Carrés Expliquée (SCE) uˆ i Somme des Carrés Résiduelle (SCR) Ainsi: SCT = SCE + SCR.
3 Qualité d ajustement (R) Rappel : On peut aussi le carré de coefficient de correlation entre les observées et estimées ( yˆ ( ( y y)( yˆ yˆ ). i i R y i R =SCE/SCT=1-SCR/SCT En ajoutant n on découvre que c est un ratio de variances R =(SCE/n)/(SCT/n)=1-(SCR/n) /(SCT/n) = ( ) i ( ) ( ) y y ( yˆ yˆ ) i considérer R comme i )
4 Quelques questions particulières, R ajusté R =(SCE)/SCT=1-(SCR) /(SCT) R compare la variance des erreurs à la variance de y. Quand il est petit cela signifie que la variance d erreur est relativement grande par rapport à la variance de y R peut être faible et les estimateurs peuvent être non biaisés. Petit R veut dire que nous n avons pas pris en compte certains facteurs dans notre modèle, mais ces facteurs, qui se trouvent dans u, peuvent être non corrélés avec d autres variables indépendantes du modèle. R augmente automatiquement quand on introduit plus de variables dans le modèle.
5 Quelques questions particulières, R ajusté (le nombre de variables dans le modèle) Le R ajusté prend en compte le nombre de variables dans le modèle et il peut diminuer. σ σ ρ ρ y u = la variance de y = la variance de u = R = 1 σ calculé avec / σ il faut remplacer dans la population u σ u y, dans dans (par SCR/n σ u la population générale la population générale générale ), il est biaisé. par son estimateur non biaisé
6 Quelques questions particulières, R ajusté On remplace ainsi : SCR/n par SCR/(n - k -1) SCT/n par SCT/(n -1) et on et obtient : R 1 [ SCR ( n k 1) ] [ SCT ( n 1) ] = 1 σˆ [ SCT ( n 1) ]
7 Quelques questions particulières, R ajusté Le (ajusté) n est pas meilleur que R (non ajusté). Le ratio des estimateurs non biaisés n est par forcement un estimateur non biaisé Le R R ajusté donne une «pénalité» aux modèles avec beaucoup de variables indépendantes par rapport au nombre d observations. R Le ajusté est une simple transformation de R : R =(1 R )(n 1) / (n k 1) Dans la plupart des cas on donne à la fois R et R
8 Quelques questions particulières, R ajusté, exemple comparaison entre les modèles: y différents On peut comparer modèles avec le même y en comparant R ajusté ou non ajusté, mais non les modèles avec y différent par exemple y par rapport à ln(y) Le plus souvent il vaut mieux utiliser d autres critères d ajustement (écart types des paramètres estimés par exemple) Ne pas inclure de variables qui n ont pas d interprétation claire (ceteris paribus)
9 Quelques questions particulières, R ajusté, exemple de comparaison entre les modèles: y identiques. reg price lotsize bdrms Source SS df MS Number of obs = 88 F(, 85) = 1.58 Model Prob > F = Residual R-squared = Adj R-squared = 0.31 Total Root MSE = price Coef. Std. Err. t P> t [95% Conf. Interval] lotsize bdrms _cons
10 Quelques questions particulières, R ajusté, exemple comparaison entre les modèles: y identiques. reg price lotsize sqrft bdrms colonial Source SS df MS Number of obs = 88 F( 4, 83) = 43.5 Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = price Coef. Std. Err. t P> t [95% Conf. Interval] lotsize sqrft bdrms colonial _cons
11 Quelques questions particulières, R ajusté, exemple comparaison entre les modèles: y différents
12 Quelques questions particulières, R ajusté, exemple comparaison entre les modèles: y différents SCT (SS) premier= SCT (SS) deuxième=66,7 Il y a donc beaucoup moins de variance à expliquer dans le modèle avec logsalary qu avec salary Il faut d autres critères pour choisir entre les modèles. On peut considérer par exemple, que la meilleure estimation des paramètres est à la faveur du modèle avec logsalary. D autres critères peuvent être aussi utilisés.
13 Quelques questions particulières, comparaison entre les modèles: AKAIKE critérium (AIC) Critérium d Information AKAIKE (AIC), AIC=n* ln ( u ) + k (n nombre d observation, k nombre de variables) Addition d une variable indépendante supplémentaire se justifie uniquement quand AIC diminue. Remarque: la diminution de ( u ) ne coduit pas toujours à la diminution de AIC. S il est faible l augmentation due à k peut dominée cet effet. Un autre critère souvent utilisé (Critère Bayes- Schwarz, BIC) BIC=n* ln ( u ) + k*ln(n)
14 Quelques questions particulières, comparaison entre les modèles: AKAIKE critérium (AIC). reg price lotsize bdrms Source SS df MS Number of obs = 88 F(, 85) = 1.58 Model Prob > F = Residual R-squared = Adj R-squared = 0.31 Total Root MSE = price Coef. Std. Err. t P> t [95% Conf. Interval] lotsize bdrms _cons statfit unrecognized command: statfit r(199);. fitstat Measures of Fit for regress of price Log-Lik Intercept Only: Log-Lik Full Model: D(85): LR(): Prob > LR: R: Adjusted R: 0.31 AIC: AIC*n: BIC: BIC':
15 Quelques questions particulières, comparaison entre les modèles: critérium AKAIKE (AIC). reg price lotsize bdrms sqrft colonial Source SS df MS Number of obs = 88 F( 4, 83) = 43.5 Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = price Coef. Std. Err. t P> t [95% Conf. Interval] lotsize bdrms sqrft colonial _cons fitstat Measures of Fit for regress of price Log-Lik Intercept Only: Log-Lik Full Model: D(83): LR(4): Prob > LR: R: Adjusted R: AIC: AIC*n: BIC: BIC': AIC est moins sensible que R
16 Quelques questions particulières, comparaison entre les modèles: critérium AKAIKE (AIC), regression sans constante Le principal avantage de AIC est la comparaison des différents modèles par exemple les modèles avec et sans la constante, non linéaire par rapport aux paramètre (à voir plus tard) Exemple (modèle sans constante, nb peu intéressant en soi ): R dans le modèle sans la constante n est pas calculé de la même façon.
17 Quelques questions particulières, comparaison entre les modèles: critérium AKAIKE (AIC), regression sans constante y=β 1 x 1 +β x + + β k x k Dans ce modèle certains propriétés de MCO ne sont pas satisfaites en particulier résidus d échantillon n ont pas la moyenne zéro SCR= (y-b 1 x 1 -b x - - b k x k ) (b estimateurs de β) SCR Peut être négatif.
18 Qualité d ajustement (R) R R sc = = NB : R sc ( yˆ y) i ( y y) i i i y y = uˆ i SCE SCT = 1 (peut être négatif) = 1 uˆ y SCR SCT i i.
19 Quelques questions particulières, comparaison entre les modèles: AKAIKE critérium (AIC). reg price lotsize bdrms sqrft colonial Source SS df MS Number of obs = 88 F( 4, 83) = 43.5 Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = price Coef. Std. Err. t P> t [95% Conf. Interval] lotsize bdrms sqrft colonial _cons fitstat Measures of Fit for regress of price Log-Lik Intercept Only: Log-Lik Full Model: D(83): LR(4): Prob > LR: R: Adjusted R: AIC: AIC*n: BIC: BIC':
20 Quelques questions particulières, comparaison entre les modèles: AKAIKE critérium (AIC), regression sans constante. reg price lotsize bdrms sqrft colonial, nocon Source SS df MS Number of obs = 88 F( 4, 84) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = price Coef. Std. Err. t P> t [95% Conf. Interval] lotsize bdrms sqrft colonial fitstat Measures of Fit for regress of price Log-Lik Intercept Only:. Log-Lik Full Model: D(84): LR(4):. Prob > LR:. R: Adjusted R: AIC: AIC*n: BIC: BIC':.
21 Quelques questions particulières, comparaison entre les modèles: spécification du modèle L amélioration de la précision d ajustement mesurée par différents indicateurs dépend essentiellement de la spécification du modèle. Ajouter une variable indépendante non corrélée avec les autres diminue la variance d erreur ( positif, à faire toujours si possible) Ajouter une variable indépendante redondante (over controlling): non seulement il y a un risque de multicolinéarité (violation de l independence entre les X), mais aussi un risque d une mauvaise interprétation des paramètres d autres variables. En spécifiant le modèle pensez toujours à ce que vous voudrez savoir à travers ses paramètres estimés.
22 Quelques questions particulières, Prédiction y= β 0 +β 1 x β k x k (1) Nous voulons utiliser les estimations du modèle (1) pour obtenir une prédiction pour un y moyen parmi toutes les observations ayant les caractéristiques x(i-k) y= β 0 +β 1 x β k x k (1) On a une observation donnée et on voudrait estimer pour elle sa valeur prédite par le modèle: (y x 1 =c 1, x =c, x k = c k ) = θ 0 = β 0 +β 1 c β k c k () On l obtient facilement en remplaçant les x par les c, dans le modèle estimé L estimateur de θ 0 = ˆ θ = ˆ β + ˆ β c + ˆ β c + ˆ β c ˆ β kc k Problème :quel écart type de cette prédiction? On fait le même astuce que pour(b1=b) 1 1
23 Quelques questions particulières, Prédiction On peut réécrire () comme β 0 = θ 0 β 1 c 1 β c β k c k On le met dans (1) et on regroupe y = θ 0 + β 1 (x 1 - c 1 ) + + β k (x k - c k ) + u (3) En estimant (3) la constante va donner les valeurs de la prédiction avec l écart type. NB: L écart type sera le plus petit quand c=x(moy) (la somme des carrés d une variable est >= que la somme des carrés des écarts à sa moyenne E(x)>=E(xmoy) ) 3
24 Quelques questions particulières, Prédiction Gpa 1. sat test d aptitude ( SAT). tothrs nombre d heures d enseignement 3. colgpa GPA (note moyenne du collège) 4. athlete =1 si sportif 5. verbmath verbal/math SAT score 6. hsize la taille de la dernière classe, 100s 7. hsrank classement dans la dernière classe 8. hsperc 100*(hsrank/hsize) 9. female =1 si femme 10. white =1 si blanc 11. black =1 si noir 1. Hsizesq hsize^ la taille de la classe au carré 4
25 Quelques questions particulières, Prédiction Sat=100, hsperc=30, hsize=5 Prédiction=,7 5
26 modèle linéaire multiple Quelques questions particulières, Prédiction Prédiction (constante)=,7 Ecart type=.019, intervalle de confiance (95%),66-,73 6
27 modèle linéaire multiple Quelques questions particulières, Prédiction L écart type calculé précédemment n est pas le même que le l écart type pour n importe quelle valeur de y (de la population générale). Il faut aussi tenir compte de la variance des erreurs u (non observables) types d erreurs dans la prédiction: 1. La différence entre les vrais paramètres β de la population générale et leurs estimateurs.nous ne connaissons pas des termes d erreurs (u) au déla de l échantillon observé. 7
28 Quelques questions particulières, Prédiction Erreur de prédiction pour un y particulier qui n'appartient eˆ = 0 E = y 0 yˆ 0 0 ( β0 + β1x1 + K+ βk xk ) + u 0 ( eˆ ) = ( eˆ ) = Var( yˆ ) + Var( u ) Var sources d'erreur = Var 0 ( yˆ ) 0 = 1.échantillon versus pop.générale. variance du terme d'erreur de la + σ en utilisant l'estiamteur se 0 0 ( eˆ ) = [ et( yˆ )] + ˆ σ 0 pas forcement à l'échantillon ( y ) 0 yˆ 0 population générale - inconnu non biaisé de ce dernier on obtient : 8
29 Quelques questions particulières, Prédiction eˆ et yˆ 0 0 ( 0 eˆ ) avec pour ~ eˆ n k 1 nous obtenons l'interval ± t y t = y 0 et, ( 0 eˆ ) yˆ 0 de prédiction de 95% 9
30 Quelques questions particulières, Prédiction Normalement l estimateur de σ est plus large que la variance de la prédiction, donc l intervalle de prédiction sera plus large (exemple suite) 30
31 Quelques questions particulières, Prédiction Précédemment l intervalle de confiance (95%) pour le résultat GPA prédit moyen (,70) pour tous les étudiants ayant des caractéristiques particulières était (,66-,77). Maintenant nous cherchons un intervalle de confiance (95%) pour n importe quel étudiant ayant les mêmes caractéristiques. (mais avec les caractéristiques individuelles souvent inobservables, mais qui influencent le score) Nous avons tous les éléments: écart type =0,198, et sigma =0,56 (MSE dans le tableau) est,70+- 1,96*(0,56) donc de 1,60 à 3,80; 31
32 modèle linéaire multiple Quelques questions particulières, Prédiction 1. Prédiction=,7 Ecart type=.019, intervalle de confiance (95%),66-,73 (la moyenne du grade prédit pour un ensemble d étudiants ayant les mêmes caractéristiques son l intervalle de confiance). l intervalle de confiance (95%),70+- 1,96*(0,56) donc de 1,60 à 3,80 =,70+- 1,96*(0,56) donc de 1,60 à 3,80 ( l intervalle de confiance pour 3 n importe quel individu )
33 Introduction de l information qualitative, les variables muettes y = β 0 + β 1 x 1 + β x +... β k x k + u Les variables muettes (variables 0,1) ce sont le variables qui ne prennent que les valeurs 0 ou 1. Elles servent à décrire les situations qualitatives: Ex: homme (= 1 si homme, 0 sinon), nord (= 1 si dans le nord, 0 sinon), mais aussi effet saisonnier (si le premier trimestre alors =1 sinon 0), d une période particulière (si l année 1939 alors=1 sinon 0) etc.
34 Introduction de l information qualitative, les variables muettes Comment introduit on ces variables. - une particularité par rapport aux variables quantitatives. Exemple variable de trimestre: il y a 4 trimestres, mais on n introduit dans l équation que 3 variables (semestre 1,,3, ou,3,4 ou 1,3,4 ou, 1, 4. Pourquoi? Si on en introduit toutes on aura pour chaque observation un cas=1 const trim1t trim trim3 trim4 revenus
35 Introduction de l information qualitative, les variables muettes Sur m modalités de variable qualitative X, il faut prendre seulement m-1 modalités. La modalité abandonné intégre la constante et devient une modalité de référence (par exemple 1 trimestre). Interprétation des paramètres de trimestre (changement par rapport au trimestre 1). const trim trim3 trim4 revenus Attention: La modalité de référence peut être complexe en présence de plusieurs variables qualitatives.
36 Introduction de l information qualitative, les variables muettes exemple Un modèle avec une variable continue (x) et une variable muette d =(0,1) y = β 0 + δ 0 d + β 1 x + u Cela peut être interprété comme un déplacement de la constante: Si d = 0, alors y = β 0 + β 1 x + u Si d = 1, alors y = (β 0 + δ 0 ) + β 1 x + u d = 0 est le cas du groupe de référence
37 Introduction de l information qualitative, les variables muettes Variable muette dépendante unique salaire = β 0 + δ 0 femme + β 1 education+ u femme= 1, sinon 0 homme= groupe de référence (le choix du groupe de référence n a pas de d importance sur le plan éconmétrique, mais il ne faut pas se tromper à l interprétation δ 0 =E(salaire femme=1, éducation) - E(salaire femme=0, éducation) ou plus simplement: δ 0 =E(salaire femme, education) - E(salaire homme, education)
38 Introduction de l information qualitative, les variables muettes exemple de δ 0 < 0, homme groupe de référence,, y Salaire(homme)= (β 0 + β 1 education) femme= 0 pente = β 1 femme = 1 β 0 } β 0 +δ 0 Salaire(femme)= (β 0 + δ 0 )+ β 1 (education) x
39 Introduction de l information qualitative, les variables muettes exemple numerique salaire = β 0 + δ 0 femme + β 1 education+ u H 0 : δ 0 =0 (pas de différence homme- femme X)
40 Introduction de l information qualitative, les variables muettes exemples numériques (analyse de possibles discriminations) Ajouter plus de variables continues ne change pas d interprétation (sinon les estimations de paramètres) H 0 : δ 0 =0 (pas de différence homme- femme X)
41 Introduction de l information qualitative, les variables muettes exemple numérique Quelques remarques: La différence homme femme estimée est plus grande dans le premier cas. Nous n avons tenu compte que des différences de l éducation. Si on tient compte aussi de l expérience et de l ancienneté la différence homme femme baisse. Si on tenait compte de toutes les variables (souvent inobservables) qui influencent le salaire peut être la différence changerait de signe (???)
42 Introduction de l information qualitative, les variables muettes exemples numériques Très souvent les variables muettes sont utilisées pour expliquer les conditions de choix individuels. Question: l achat d un ordinateur améliore-t-il les performances scolaire? Note moyenne à l université = f(ordinateur (0,1),note au lycée, test IQ)
43 Introduction de l information qualitative, les variables muettes exemple numerique (effet de comportement individuels) Note moyenne à l université = f(ordinateur (0,1),note au lycée, test de performance) Un étudiant avec un ordinateur a une note env points plus élevée que l étudiant sans PC (en tenant compte de X)
44 Introduction de l information qualitative, les variables muettes exemple numerique (effets de politique publique) Nombre d heures de formation =f(subvention (0.1), log(nombre d employés), log(chiffres d affaires)) Subvention (grant) est très significative: les firmes qui ont eu la subvention ont donné 34 heurs de formation de plus que les autres, chiffres d affaires n a pas d importance, nombre d employés a un effet négatif significatif (10% plus d employés implique 0,67 heures de formation en moins.
45 Introduction de l information qualitative, les variables muettes exemple numerique (interprétation quand var. dépendante est en log:%) Log (prix de la maison)=f(log (surface terrain), log(surface de la maison), nombre de chambres, caractère colonial(0,1)) Le caractère colonial(0,1 ) est peu significatif, s il l était, cela signifierait qu avoir le style colonial augmente le prix de la maison d à peu près 5.4% pour les niveau donné des autres X. (coef *100, semi élasticité). La surface du terrain et de la maison ont une influence déterminante (élasticités)
46 Introduction de l information qualitative, plusieurs variables muettes,, variable dépendante en log, exemple numérique, Plusieurs variables muettes peuvent être présentes dans la régression. Log (salaire)=f(femme (0,1), marié (0,1), non blanc (0, 1), éducation, expérience ).. («Ceteris paribus», si marié, on gagne plus, si une femme on gagne moins (env 30%), mais pas d effet de la couleur de la peau. Effet exact: 100*(exp(β)-1) =-34.9%
47 Introduction de l information qualitative, plusieurs niveaux d une variables muette, exemple numerique, Chaque variable qualitative peut être transformée en un ensemble des variables muettes. Le groupe de référence est représenté par la constante. Si on a n catégories on ne peut avoir que n 1 variables muettes. On peut aussi grouper certaines catégories. Age (0-10, 11-40, 41-60, 60 et plus Exemple: classement (1)top 10 () 11 5, (3)6-40, ( 4) (5) et plus etc.
48 Introduction de l information qualitative, plusieurs niveaux d une variables muette, exemple numérique, 1. rank law school ranking. salary median starting salary 3. cost law school cost 4. LSAT median LSAT score 5. GPA median college GPA 6. libvol no. volumes in lib., 1000s 7. faculty no. of faculty 8. age age of law sch., years 9. clsize size of entering class 10. north =1 if law sch in north 11. south =1 if law sch in south 1. east =1 if law sch in east 13. west =1 if law sch in west 14. lsalary log(salary) 15. studfac student-faculty ratio 16. top10 =1 if ranked in top r11_5 =1 if ranked r6_40 =1 if ranked r41_60 =1 if ranked llibvol log(libvol) 1. lcost log(cost)
49 Introduction de l information qualitative, plusieurs niveaux d une variables muette, exemple numérique (écoles de droit) Plusieurs niveaux de variables muettes peuvent être présents dans l équation. Log (salaire)=f(ranking des écoles (5 niveaux), d autres variables LSAT-Law school admission test). Réf = rang 100 et plus: Classements selon le rang très significatif.autres non significatives sauf LSAT (test d aptitude).la diférence entre top et end = du simple au double:100*exp(0.697)-1= 100,06 %
50 . Le modèle linéaire multiple Introduction de l information qualitative, plusieurs niveaux d une variables muette, exemple numérique (écoles de droit)
51 Variable dependante 0,1 Modèle linéaire de probabilité P(y = 1 x) = E(y x), quand y est une variable muette. Le modèle peut être écrit: P(y = 1 x) = β 0 + β 1 x β k x k Interprétation de β j : le changement dans la probablité du succès quand x j changent, toutes choses égales par ailleurs (ceteris paribus). P(y = 1 x)= β j x j. La prédiction de y est la probabilité prédite de succès ( problème: cela parfois peut tomber en dehors de [0,1])
52 Variable dépendante 0,1 Modèle linéaire de probabilité (MLP), problème de hétéroscedasticité Problème économétrique : MLP ne satisfait pas une des hypothèses GM- homoscedasticité. Donc problème avec inférence. Var(y x)=p(x)(1-p(x)) avec p(x) = probabilité de succès p(x) = β 0 + β 1 x β k x k Variance dépend explicitement de X ne peut pas être constante, sauf si aucun des X n influence p. Hétéroscedasticité ne cause pas de biais, mais le calcul des statistiques F et t est impossible. et donc le calcul correct des erreurs est impossible. Toutefois on peut corriger les erreurs des effets de heteroscedasticité (on verra cela plus tard). On peut donc utiliser le modèle MLP à cette précaution près.
53 Variable dépendante 0,1 Modèle linéaire de probabilité, exemple, individus ayant subis déjà au moins une condamnation, probabilité de récidive Population: personnes ayant été arrêtés au moins 1 fois avant 1986 arr86b =1 si arrêté, 0 sinon Arr86b=f(% des arrestations précédentes suivies des condamnations pcnv, sentence moyenne en mois avgsen,total du temps passé en prison depuis l age de 18 ans en mois tottime, nb de mois en prison en 1986 nombre de trimestre d emploi en 1986) 1.narr86 # times arrested, nfarr86 # felony arrests, nparr86 # property crme arr., pcnv proportion of prior arests leading to convictions 5. avgsen avg sentence length, mos. 6. tottime time in prison since te age 18 (mos.) 7. ptime86 months in prison during qemp86 # quarters employed, inc86 legal income, 1986, $100s 10. durat recent unemp duration 11.. black =1 if black 1. hispan =1 if Hispanic 13. born60 =1 if born in pcnvsq pcnv^ 15. pt86sq ptime86^ 16. inc86sq inc86^
54 Variable dependante 0,1 Modèle linéaire de probabilité, exemple, probabilité de récidive. probabilité de récidive diminue avec l emploi (qemp):4 trimestre de travail diminue la proba de 4*0.043=0.17; La proba d être arrêté par rapport à la moyenne inconditionnelle (0.77) est: =0.105
55 . Le modèle linéaire multiple Variable dépendante 0,1 Modèle linéaire de probabilité, exemple, la prise en compte de la heteroscedasticité.
STATISTIQUES. 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 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 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 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 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 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 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 détailExemples 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 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 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 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 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 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 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 détailLe modèle de régression linéaire
Chapitre 2 Le modèle de régression linéaire 2.1 Introduction L économétrie traite de la construction de modèles. Le premier point de l analyse consiste à se poser la question : «Quel est le modèle?». Le
Plus en détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
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 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 détailIntroduction à l économétrie : Spécifications, formes fonctionnelles, hétéroscédasticité et variables instrumentales
Introduction à l économétrie : Spécifications, formes fonctionnelles, hétéroscédasticité et variables instrumentales Pierre Thomas Léger IEA, HEC Montréal 2013 Table des matières 1 Introduction 2 2 Spécifications
Plus en détailThéorie des sondages : cours 5
Théorie des sondages : cours 5 Camelia Goga IMB, Université de Bourgogne e-mail : camelia.goga@u-bourgogne.fr Master Besançon-2010 Chapitre 5 : Techniques de redressement 1. poststratification 2. l estimateur
Plus en détailWealth Effect on Labor Market Transitions
Wealth Effect on Labor Market Transitions Yann Algan EUREQua - Université de Paris I algan@univ-paris1.fr Arnaud Chéron GAINS - Université du Maine & Cepremap acheron@univ-lemans.fr Jean-Olivier Hairault
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 détailUNIVERSITÉ DU QUÉBEC À MONTRÉAL TESTS EN ÉCHANTILLONS FINIS DU MEDAF SANS LA NORMALITÉ ET SANS LA CONVERGENCE
UNIVERSITÉ DU QUÉBEC À MONTRÉAL TESTS EN ÉCHANTILLONS FINIS DU MEDAF SANS LA NORMALITÉ ET SANS LA CONVERGENCE MÉMOIRE PRÉSENTÉ COMME EXIGENCE PARTIELLE DE LA MAÎTRISE EN ÉCONOMIE PAR MATHIEU SISTO NOVEMBRE
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 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 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 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 détailEconométrie et applications
Econométrie et applications Ecole des Ponts ParisTech Département Sciences Economiques Gestion Finance Nicolas Jacquemet (nicolas.jacquemet@univ-paris1.fr) Université Paris 1 & Ecole d Economie de Paris
Plus en détailExamen de Logiciels Statistiques
G. Hunault Angers, mai 2011 Licence MEF Examen de Logiciels Statistiques On s intéresse ici au dossier EAEF01 qui contient un extrait des données du recensement américain. On trouvera ces données et leur
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 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 détailBiostatistiques Biologie- Vétérinaire FUNDP Eric Depiereux, Benoît DeHertogh, Grégoire Vincke
www.fundp.ac.be/biostats Module 140 140 ANOVA A UN CRITERE DE CLASSIFICATION FIXE...2 140.1 UTILITE...2 140.2 COMPARAISON DE VARIANCES...2 140.2.1 Calcul de la variance...2 140.2.2 Distributions de référence...3
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 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 détailUFR de Sciences Economiques Année 2008-2009 TESTS PARAMÉTRIQUES
Université Paris 13 Cours de Statistiques et Econométrie I UFR de Sciences Economiques Année 2008-2009 Licence de Sciences Economiques L3 Premier semestre TESTS PARAMÉTRIQUES Remarque: les exercices 2,
Plus en détailHEC Montréal MODÈLE DE PROBABILITÉ DE DÉFAUT DES PRÊTS D UNE BANQUE CANADIENNE
HEC Montréal MODÈLE DE PROBABILITÉ DE DÉFAUT DES PRÊTS D UNE BANQUE CANADIENNE Par Fatoumata A dite Woybi Touré 11135079 Science de la gestion (Ingénierie financière) Projet supervisé présenté en vue de
Plus en détailReprésentation d une distribution
5 Représentation d une distribution VARIABLE DISCRÈTE : FRÉQUENCES RELATIVES DES CLASSES Si dans un graphique représentant une distribution, on place en ordonnées le rapport des effectifs n i de chaque
Plus en détailLeçon N 4 : Statistiques à deux variables
Leçon N 4 : Statistiques à deux variables En premier lieu, il te faut relire les cours de première sur les statistiques à une variable, il y a tout un langage à se remémorer : étude d un échantillon d
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 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 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 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 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 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 détailLES MODELES DE SCORE
LES MODELES DE SCORE Stéphane TUFFERY CONFERENCE GENDER DIRECTIVE 31 mai 2012 31/05/2012 ActuariaCnam Conférence Gender Directive Stéphane Tufféry 1 Plan Le scoring et ses applications L élaboration d
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 détailNOTE SUR LA MODELISATION DU RISQUE D INFLATION
NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui
Plus en détailTrafic aérien de passagers au Canada : une analyse exploratoire du modèle origine-destination de Transports Canada pour le marché intérieur
Trafic aérien de passagers au Canada : une analyse exploratoire du modèle origine-destination de Transports Canada pour le marché intérieur Ismaëlh Cissé Directeur : Carlos Ordás Criado Problématique Transports
Plus en détailLa méthode des scores, particulièrement de la Banque de France
La méthode des scores, particulièrement de la Banque de France Devant la multiplication des défaillances d entreprises au cours des années 80 et début des années 90, la Banque de France a produit des travaux
Plus en détailESSEC. Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring
ESSEC Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring Les méthodes d évaluation du risque de crédit pour les PME et les ménages Caractéristiques Comme les montants des crédits et des
Plus en détailCALCUL D UN SCORE ( SCORING) Application de techniques de discrimination LES OBJECTIFS DU SCORING
CALCUL D UN SCORE ( SCORING) Application de techniques de discrimination LES OBJECTIFS DU SCORING SÉLECTION DES RISQUES PRÉVISION DES DÉFAUTS SUIVI ET CONTRÔLE Pierre-Louis GONZALEZ Différents types de
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 détailDéroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI
1 Déroulement d un projet en DATA MINING, préparation et analyse des données Walid AYADI 2 Les étapes d un projet Choix du sujet - Définition des objectifs Inventaire des données existantes Collecte, nettoyage
Plus en détailCours de méthodes de scoring
UNIVERSITE DE CARTHAGE ECOLE SUPERIEURE DE STATISTIQUE ET D ANALYSE DE L INFORMATION Cours de méthodes de scoring Préparé par Hassen MATHLOUTHI Année universitaire 2013-2014 Cours de méthodes de scoring-
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 détailÉquations non linéaires
Équations non linéaires Objectif : trouver les zéros de fonctions (ou systèmes) non linéaires, c-à-d les valeurs α R telles que f(α) = 0. y f(x) α 1 α 2 α 3 x Equations non lineaires p. 1/49 Exemples et
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 détail23. Interprétation clinique des mesures de l effet traitement
23. Interprétation clinique des mesures de l effet traitement 23.1. Critères de jugement binaires Plusieurs mesures (indices) sont utilisables pour quantifier l effet traitement lors de l utilisation d
Plus en détailAnnexe commune aux séries ES, L et S : boîtes et quantiles
Annexe commune aux séries ES, L et S : boîtes et quantiles Quantiles En statistique, pour toute série numérique de données à valeurs dans un intervalle I, on définit la fonction quantile Q, de [,1] dans
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 détailLes modèles de choix binaire
Chapitre 4 Les modèles de choix binaire Les modèles de régression linéaire développés ci-dessus concernent une variable dépendante continue (comme par exemple le salaire ou le taux de chômage). Ce chapitre
Plus en détailEvaluer l ampleur des économies d agglomération
Pierre-Philippe Combes GREQAM - Université d Aix-Marseille Ecole d Economie de Paris CEPR Janvier 2008 Supports de la présentation Combes, P.-P., T. Mayer et J.-T. Thisse, 2006, chap. 11. Economie Géographique,
Plus en détailLes salaires réels ont ils été affectés par les évolutions du chômage en France avant et pendant la crise?
Les salaires réels ont ils été affectés par les évolutions du chômage en France avant et pendant la crise? Grégory Verdugo Direction des Études microéconomiques et structurelles Service des Analyses microéconomiques
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 détailCoup de Projecteur sur les Réseaux de Neurones
Coup de Projecteur sur les Réseaux de Neurones Les réseaux de neurones peuvent être utilisés pour des problèmes de prévision ou de classification. La représentation la plus populaire est le réseau multicouche
Plus en détailNON-LINEARITE ET RESEAUX NEURONAUX
NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail
Plus en détailVI. Tests non paramétriques sur un échantillon
VI. Tests non paramétriques sur un échantillon Le modèle n est pas un modèle paramétrique «TESTS du CHI-DEUX» : VI.1. Test d ajustement à une loi donnée VI.. Test d indépendance de deux facteurs 96 Différentes
Plus en détailBuild Your Island 2014 Annexe TFR 1
Build Your Island 2014 Annexe TFR 1 1 2 1 L importance du TFR... 3 2 Complexité du protocole de calcul... 3 2.1 Les indicateurs... 3 2.2 Les Dynamiques... 4 2.3 Le Taux de Fréquentation Espéré, une hypothèse
Plus en détailStatistiques Appliquées à l Expérimentation en Sciences Humaines. Christophe Lalanne, Sébastien Georges, Christophe Pallier
Statistiques Appliquées à l Expérimentation en Sciences Humaines Christophe Lalanne, Sébastien Georges, Christophe Pallier Table des matières 1 Méthodologie expérimentale et recueil des données 6 1.1 Introduction.......................................
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 détailNet.Doc.69. Filières professionnelles et générales à l université : l impact du parcours sur l insertion. Groupes d exploitation Génération 2004
Net.Doc.69 Groupes d exploitation Génération 2004 Filières professionnelles et générales à l université : l impact du parcours sur l insertion Éléments d analyse pour les L3 Philippe Lemistre Centre de
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 détailTSTT ACC OUTILS DE GESTION COMMERCIALE FICHE 1 : LES MARGES
TSTT ACC OUTILS DE GESTION COMMERCIALE FICHE 1 : LES MARGES Coût de revient du produit + Marge du fabricant = Prix de vente HT au distributeur Prix d'achat HT du distributeur + Marge du distributeur =
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 détailComplément d information concernant la fiche de concordance
Sommaire SAMEDI 0 DÉCEMBRE 20 Vous trouverez dans ce dossier les documents correspondants à ce que nous allons travailler aujourd hui : La fiche de concordance pour le DAEU ; Page 2 Un rappel de cours
Plus en détailLecture critique d article. Bio statistiques. Dr MARC CUGGIA MCU-PH Laboratoire d informatique médicale EA-3888
Lecture critique d article Rappels Bio statistiques Dr MARC CUGGIA MCU-PH Laboratoire d informatique médicale EA-3888 Plan du cours Rappels fondamentaux Statistiques descriptives Notions de tests statistiques
Plus en détailRésumé non technique
Résumé non technique Constats : selon le FMI, l indexation et l ajustement biennal du salaire social minimum sont des facteurs déterminants à la fois du différentiel d inflation et de l inflation au Luxembourg
Plus en détailStatistiques descriptives
Statistiques descriptives L3 Maths-Eco Université de Nantes Frédéric Lavancier F. Lavancier (Univ. Nantes) Statistiques descriptives 1 1 Vocabulaire de base F. Lavancier (Univ. Nantes) Statistiques descriptives
Plus en détailChapitre 3 : Le budget des ventes. Marie Gies - Contrôle de gestion et gestion prévisionnelle - Chapitre 3
Chapitre 3 : Le budget des ventes Introduction 2 Rappel des différents budgets opérationnels - budget des ventes (chapitre 3) - budget de production (chapitre 4) - budget des approvisionnements et des
Plus en détailStéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE. 24/12/2006 Stéphane Tufféry - Data Mining - http://data.mining.free.fr
1 Stéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE 2 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 détailLes effets d une contrainte de crédit sur la convergence économique : Le cas des pays de l UEMOA
Les effets d une contrainte de crédit sur la convergence économique : Le cas des pays de l UEMOA Auteurs : Abdoulaye DIAGNE et Abdou-Aziz NIANG Introduction Ceci devrait contribuer à réduire l écart entre
Plus en détailFeuille 6 : Tests. Peut-on dire que l usine a respecté ses engagements? Faire un test d hypothèses pour y répondre.
Université de Nantes Année 2013-2014 L3 Maths-Eco Feuille 6 : Tests Exercice 1 On cherche à connaître la température d ébullition µ, en degrés Celsius, d un certain liquide. On effectue 16 expériences
Plus en détail«Cours Statistique et logiciel R»
«Cours Statistique et logiciel R» Rémy Drouilhet (1), Adeline Leclercq-Samson (1), Frédérique Letué (1), Laurence Viry (2) (1) Laboratoire Jean Kuntzmann, Dép. Probabilites et Statistique, (2) Laboratoire
Plus en détailCours de Tests paramétriques
Cours de Tests paramétriques F. Muri-Majoube et P. Cénac 2006-2007 Licence Ce document est sous licence ALC TYPE 2. Le texte de cette licence est également consultable en ligne à l adresse http://www.librecours.org/cgi-bin/main?callback=licencetype2.
Plus en détailChapitre 2. Eléments pour comprendre un énoncé
Chapitre 2 Eléments pour comprendre un énoncé Ce chapitre est consacré à la compréhension d un énoncé. Pour démontrer un énoncé donné, il faut se reporter au chapitre suivant. Les tables de vérité données
Plus en détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
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 détailAIDE FINANCIÈRE POUR ATHLÈTES FINANCIAL ASSISTANCE FOR ATHLETES
AIDE FINANCIÈRE POUR ATHLÈTES FINANCIAL ASSISTANCE FOR ATHLETES FORMULAIRE DE DEMANDE D AIDE / APPLICATION FORM Espace réservé pour l utilisation de la fondation This space reserved for foundation use
Plus en détailLe Data Mining au service du Scoring ou notation statistique des emprunteurs!
France Le Data Mining au service du Scoring ou notation statistique des emprunteurs! Comme le rappelle la CNIL dans sa délibération n 88-083 du 5 Juillet 1988 portant adoption d une recommandation relative
Plus en détailLa réputation de votre entreprise : est-ce que votre actif le plus stratégique est en danger?
La réputation de votre entreprise : est-ce que votre actif le plus stratégique est en danger? Nathalie de Marcellis-Warin Ecole Polytechnique de Montréal et CIRANO Serban Teodoresco Preventa Inc. 5 juin
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 détailCours (7) de statistiques à distance, élaboré par Zarrouk Fayçal, ISSEP Ksar-Said, 2011-2012 LES STATISTIQUES INFERENTIELLES
LES STATISTIQUES INFERENTIELLES (test de Student) L inférence statistique est la partie des statistiques qui, contrairement à la statistique descriptive, ne se contente pas de décrire des observations,
Plus en détailNon-réponse et données manquantes. Sylvie Rousseau & Gilbert Saporta décembre 2011
Non-réponse et données manquantes Sylvie Rousseau & Gilbert Saporta décembre 2011 1 EXEMPLES DE TAUX DE RÉPONSE À CERTAINES ENQUÊTES Pour les enquêtes auprès des entreprises, le taux de non-réponse est
Plus en détailL approche de régression par discontinuité. Thomas Lemieux, UBC Atelier de formation du Congrès de l ASDEQ Le 18 mai 2011
L approche de régression par discontinuité Thomas Lemieux, UBC Atelier de formation du Congrès de l ASDEQ Le 18 mai 2011 Plan de la présentation L approche de régression par discontinuité (RD) Historique
Plus en détailPrécision d un résultat et calculs d incertitudes
Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................
Plus en détailMortalité observée et mortalité attendue au cours de la vague de chaleur de juillet 2006 en France métropolitaine
Mortalité observée et mortalité attendue au cours de la vague de chaleur de uillet en France métropolitaine FOUILLET A 1, REY G 1, JOUGLA E, HÉMON D 1 1 Inserm, U75, Villeuif, France. Inserm CépiDc, IFR9,
Plus en détailL emploi et les salaires des enfants d immigrés
TRAVAIL - EMPLOI L emploi et les salaires des enfants d immigrés Romain Aeberhardt*, Denis Fougère**, Julien Pouget*** et Roland Rathelot**** Les Français ayant au moins un parent immigré originaire du
Plus en détailMéthodes de simulation des décès. appliquées au régime de retraite de la. fonction publique d État
Méthodes de simulation des décès appliquées au régime de retraite de la fonction publique d État Hady Senghor et Benoît Buisson Service des retraites de l État Septembre 2014 1 2 Sommaire Résumé... 4 I
Plus en détailStatistique Descriptive Élémentaire
Publications de l Institut de Mathématiques de Toulouse Statistique Descriptive Élémentaire (version de mai 2010) Alain Baccini Institut de Mathématiques de Toulouse UMR CNRS 5219 Université Paul Sabatier
Plus en détailNombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN
Nombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN Table des matières. Introduction....3 Mesures et incertitudes en sciences physiques
Plus en détail