Chapitre 4 : RÉGRESSION
|
|
- Andrée Paul
- il y a 8 ans
- Total affichages :
Transcription
1 Chapitre 4 : RÉGRESSION 4.3 Régression linéaire multiple Equation et Estimation Inférence Coefficients de détermination Spécifications Régression linéaire multiple 1 / 50
2 Chapitre 4 : RÉGRESSION 4.3 Régression linéaire multiple Equation et Estimation Inférence Coefficients de détermination Spécifications Régression linéaire multiple 2 / 50
3 L équation de la régression (1) Un modèle de régression multiple contient 1< K < n 1 variables indépendantes, x 1, x 2,..., x K. (On utilisera k comme indice pour une variable particulière.) Les paramètres sont estimables quand K = n 1, mais l ajustement est alors parfait et l inférence est impossible. En pratique, on doit veiller à ce que n >> K. L équation de la régression linéaire multiple (ou le «modèle de régression») s écrit donc de la façon suivante : y = β + β x + β x + + β x + ε, où E(ε) = 0, K K E ( y ) β0 β1x1 β2x2... βk xk = , ( ) E y x1, x2,..., xk = β0 + β1x1 + β2x βk xk, où β0, β1, β2,..., β K sont les paramètres du modèle, et le terme d erreur ε est une variable aléatoire. Régression linéaire multiple 3 / 50
4 L équation de la régression (2) Tout comme dans le cas de la régression linéaire simple, β 0 représente le point, où x 1 = x 2 =... = x K = 0 («constante»). La valeur d un paramètre β k > 0 donne le nombre d unités supplémentaires de y associées à une augmentation par une unité de x k lorsque toutes les autres variables indépendantes sont constantes (variation «ceteris paribus»). ( ) E y x1, x2,... x K est la moyenne de y pour un vecteur de valeurs des variables indépendantes { x1, x2,..., x K} donné. Régression linéaire multiple 4 / 50
5 L équation de la régression (3) Si K > 2, on ne peut plus représenter le modèle de régression de façon graphique. Avec K = 2, une représentation graphique est possible, puisqu il n y a que trois dimensions : x 1, x 2 et y. L équivalent à la droite de régression en régression linéaire simple est alors appelé «surface de réponse» : Régression linéaire multiple 5 / 50
6 L équation estimée Les statistiques d échantillon b 0, b 1, b 2,..., b K servent d estimations de β0, β1, β2,..., β K. Ainsi, l équation estimée de la régression est donnée par : ˆ K K y = b + b x + b x + + b x, où ŷ est l estimation ponctuelle de ( ) E y x1, x2,... x K. Régression linéaire multiple 6 / 50
7 Processus d estimation Régression linéaire multiple 7 / 50
8 Estimation par les moindres carrés Tout comme pour la régression linéaire simple, la méthode la plus répandue pour calculer b 0, b 1, b 2,..., b K est l estimateur des moindres carrés. Formellement, la méthode est alors la suivante : { b b b b } ( y yˆ ),,,..., argmin = K i i b 1 0, b1, b2,... b i = K n b, b, b,... b n i = 1 Régression linéaire multiple 8 / 50 2 ( y b b x b x... b x ) = arg min K i 0 1 1i 2 2i K Ki L estimateur des moindres carrés pour une régression multiple suit la même logique que celle de la régression linéaire simple, mais sa formulation est plus compliquée, nécessitant l utilisation de l algèbre matricielle. De plus, l estimation est trop compliquée pour être faite «à la main» avec un effort raisonnable et est donc toujours effectuée avec l aide d un ordinateur. 2
9 Chapitre 4 : RÉGRESSION 4.3 Régression linéaire multiple Equation et Estimation Inférence Coefficients de détermination Spécifications Régression linéaire multiple 9 / 50
10 Hypothèses de l estimateur MCO Tout comme pour la régression linéaire simple, la légitimité des tests d hypothèse repose sur les cinq hypothèses faites à propos du terme d erreur du modèle de régression, ε. En fait, on peut démontrer que, sous condition que ces hypothèses soient satisfaites, l estimateur des MCO est le meilleur des estimateurs concevables, dans le sens suivant (théorème de Gauss-Markov): o Les coefficients estimés b 0, b 1, b 2,..., b K sont des estimations nonbiaisées des paramètres β0, β1, β2,..., β K. o L estimateur MCO implique les variances des coefficients estimés s, s, s,..., s les plus petites de tous les estimateurs b0 b1 b2 b k linéaires et non-biaisés concevables. Régression linéaire multiple 10 / 50
11 Test du t de Student (1) Si les hypothèses sur ε sont satisfaites, on peut se servir de la loi du t de Student pour tester des hypothèses sur des paramètres individuels β k. Statistique de test : t k bk βk n K 1 = t s b k o Le calcul de l erreur type des coefficients estimés s b k est trop compliqué pour être effectué «à la main», mais sa logique est la même que dans le cas de la régression linéaire simple. o Notamment, s tend à diminuer avec n. b k L intervalle de confiance autour d un paramètre estimé individuel est alors donné par : n K b ± t 1 * s k α b k Régression linéaire multiple 11 / 50
12 Test du t de Student (2) Dans la plupart des applications, l hypothèse la plus importante concerne la signification statistique de x k comme facteur «explicatif» des variations de y. H 0 : β k = 0 ; H 1 : β k 0 statistique de test : t k k = t n K 1 Régression linéaire multiple 12 / 50 b s Ces statistiques de test sont fournies par tous les logiciels statistiques pour chacun de coefficients estimés b 0, b 1, b 2,..., b K. Puisque t 0.05 = 1.96, une façon de tester la significativité statistique à 5% d un coefficient estimé d une régression multiple basée sur un grand échantillon est de vérifier si t k > Pour tester la significativité à 1%, on vérifie si t k > b k
13 Test du F de Fisher Si les hypothèses sur ε sont satisfaites, on peut se servir de la loi du F de Fisher pour déterminer s il existe une relation significative entre y et l ensemble des variables indépendantes ; on parle du test de signification globale. H 0 : β1 = β2 =... = β k = 0 H 1 : au moins un des paramètres n est pas égal à zéro Statistique de test : F = SCReg K F SCRes n K 1 ( K, n K 1) Régression linéaire multiple 13 / 50
14 Multicolinéarité (1) Il est possible qu aucun des coefficients estimés b k soit individuellement statistiquement significatif (selon le test du t de Student), mais que le modèle soit quand même globalement statistiquement significatif (selon le test du F de Fisher). L explication de ce phénomène apparemment paradoxal est la multicolinéarité : le fait que les variables indépendantes x k, tout en étant indépendantes de y, peuvent parfaitement être corrélées entre elles. Plus les variables indépendantes sont corrélées, plus il devient difficile de déterminer l effet propre d une variable indépendante particulière sur la variable dépendante. Autrement dit, quand la multicolinéarité est forte, les erreurs type des coefficients s sont grands, et le risque peut être fort que les coefficients estimés prennent le signe opposé à celui du vrai paramètre. Régression linéaire multiple 14 / 50 b k
15 Multicolinéarité (2) En pratique il peut être utile d inspecter la matrice de corrélation entre les variables indépendante. Comme valeur pratique (très) approximative, on utilise parfois un seuil de ρ = 0.7 pour déterminer s il y a un problème potentiel de multicolinéarité entre deux variables. La multicolinéarité peut prendre la forme d une relation linéaire entre plusieurs variables indépendantes, càd elle peut être présente même si les corrélations entre paires de variables individuelles sont toutes relativement faibles. Des tests plus avancés existent pour vérifier la présence de ce phénomène. Le meilleur moyen pour pallier au problème de multicolinéarité est d augmenter la taille de l échantillon n. S il y a colinéarité parfaite entre deux ou plusieurs variables indépendantes, leurs paramètres ne peuvent pas être estimés. Régression linéaire multiple 15 / 50 ˆ k x x l
16 Chapitre 4 : RÉGRESSION 4.3 Régression linéaire multiple Equation et Estimation Inférence Coefficients de détermination Spécifications Régression linéaire multiple 16 / 50
17 R-carré (1) La définition du R-carré (aussi : «coefficient de détermination multiple») est identique à celle pour la régression linéaire simple : R n 2 i = 1 n i = 1 ( yˆ y ) ( y y ) i 2 i SCReg SCReg = = = 2 SCReg + SCRes SCTot n n 2 2 ( yi yˆ ) i ui i = 1 i = 1 n n 2 2 = 1 = 1 = 1 ( y y ) ( y y ) i i = 1 i = 1 i SCRes SCTot Régression linéaire multiple 17 / 50
18 R-carré (2) Le R-carré exprime le pourcentage de la somme des carrés totaux «expliqué» (dans le sens d une explication géométrique et non causale!) par l équation estimée de la régression. Le R-carré ne peut pas être décomposé en «contributions explicatives» de chacune des K variables explicatives. Exception : cas de zéro colinéarité entre les variables explicatives (qui sont donc «orthogonales») Exemple : vecteurs de variables binaires par pays et par année dans un modèle des différences de taux de chômage décomposition du R-carré en une composante «conjoncturelle» (contribution au R-carré des différences temporelles) et une composante «structurelle» (contribution au R-carré des différences inter-pays) Régression linéaire multiple 18 / 50
19 R-carré et test du F de Fisher Il existe une relation mathématique entre le R-carré et la statistique de test de signification globale (du F de Fisher) : SCReg 2 K ( n K 1) R F = = ( 2 SCRes K 1 R ) n K 1 Étant donné n et K, un R-carré élevé implique une statistique F élevée. De plus, la statistique F varie en fonction de n et de K. Pour un R- carré donné, plus n K est grand, plus la statistique F est élevée. Intuitivement, cela représente le fait que plus il y a d observations par rapport au nombre de variables indépendantes, plus il semble invraisemblable qu une certaine qualité d ajustement du modèle (càd un certain R-carré) se soit produit aléatoirement. Régression linéaire multiple 19 / 50
20 R-carré ajusté (1) Puisque la méthode des MCO minimise la somme des carrés des résidus (SCRes), le R-carré augmente si on ajoute des variables indépendantes (ce qui ne change pas SCTot) même si ces variables ne sont pas statistiquement significatives. La valeur du R-carré dépend donc de K, ce qui complique la comparaison de la qualité d ajustement de différents modèles de régression si le nombre de variables indépendantes n est pas identique. Pour cette raison, SCRes il est courant de calculer le «R-carré ajusté» : ( ) 2 1 ( 2 ) 1 R 1 n K 1 1 R n 2 = =, R 1 SCTot n 1 n K 1 ( ) Régression linéaire multiple 20 / 50
21 R-carré ajusté (2) SCRes 2 est la variance estimée des résidus, s u ; et SCTot n est la variance estimée de y. On peut donc aussi ( n K 1) ( 1) écrire le R-carré ajusté de la façon suivante : R 2 ( s 2 s 2 ) =. 1 u y Si l ajout d une variable indépendante diminue SCRes 2 proportionnellement moins qu il n augmente K, alors s u augmente, et le R-carré ajusté diminue. Le R-carré ajusté peut donc diminuer ou augmenter quand on ajoute des variables indépendantes. Il est même possible que le R-carré ajusté prenne des valeurs négatives (si K est grand et le R-carré est petit). On peut démontrer que l ajout d une variable indépendante augmente le R-carré ajusté si la statistique du t de Student de cette variable est supérieure à 1. Pour augmenter le R-carré ajusté, une variable indépendante supplémentaire n a donc pas besoin d être statistiquement significative, même au seuil de 10%. Régression linéaire multiple 21 / 50
22 Exemple Statville (1) Le syndic cherche à savoir si l effet de l âge sur le revenu des habitants de sa commune reste statistiquement significatif si on contrôle aussi pour la durée d expérience des travailleurs dans leur fonction actuelle. Il recense donc la variable «expérience» pour les 12 individus de son échantillon aléatoire simple. ind. revenu âge expérience Moyenne Ecart type Régression linéaire multiple 22 / 50
23 Exemple Statville (2) Excel : Outils - Utilitaire d analyse - Régression linéaire cocher Intitulé présent 2 R 2 R 2 R s u SCRes RAPPORT DÉTAILLÉ Statistiques de la régression Coefficient de détermination multiple Coefficient de détermination R^ Coefficient de détermination R^ Erreur-type Observations 12 ANALYSE DE VARIANCE Degré de liberté Somme des carrés Moyenne des carrés F Valeur critique de F Régression Résidus Total Coefficients Erreur-type Statistique t Probabilité Limite inférieure pour seuil de confiance = 95% Limite supérieure pour seuil de confiance = 95% Constante E âge expérience Régression linéaire multiple 23 / 50
24 Exemple Statville (3) Le syndic conclut que, étant donné l âge, les années d expérience dans la fonction ne constituent pas un déterminant statistiquement significatif du salaire. Le modèle prédit donc que deux travailleurs qui ont le même âge mais des durées d expérience différentes auront le même salaire en moyenne. On note que par rapport à l estimation de la régression linéaire simple (avec l âge comme unique variable indépendante), le R- carré a augmenté (de à 0.588). Par contre, puisque la valeur de la statistique t de la variable «expérience» est inférieure à 1, le R-carré ajusté a diminué (de à 0.496). Malgré l augmentation du R-carré, la valeur de la statistique F a diminué (de 14.1 à 6.4) et celle de l erreur type de la régression a augmenté (de 2239 à 2353). L augmentation de K (de 1 à 2) a donc plus que compensé la diminution de SCRes (de 50.1 mn à 49.8 mn). Régression linéaire multiple 24 / 50
25 Exemple Statville (4) Corrélation entre les variables «âge» et «expérience» : 12 ˆρ = 0.77 La multicolinéarité pourrait jouer un rôle (càd les variations dans le valeurs de la variable «expérience» ne sont pas suffisamment indépendantes de l âge, ainsi qu avec seulement 12 observations on arrive pas à identifier statistiquement un effet spécifique dû à «expérience». Excel : =COEFFICIENT.CORRELATION(âge;expérience) Prédiction du salaire pour une personne de 55 ans avec 15 ans d expérience : yˆ x = 55, x = 15 = E yˆ x = 55, x = 15 ( ) ( ) = * * 15 = La construction d un intervalle de confiance autour de cette prévision n est pas possible avec Excel. Régression linéaire multiple 25 / 50
26 Exemple Statville (5) Dans les tableaux publiés de résultats de la régression, il est utile de présenter les coefficients ainsi que leurs erreurs types et des symboles indiquant le niveau de signification statistique du test bilatéral de H 0 : β k = 0. Une telle présentation des résultats facilite des tests d hypothèse alternatifs, H 0 : β = z. o Le syndic pourrait s intéresser si la véritable hausse salariale moyenne par année d âge est égale à 500 francs (α = 5%) : b n K 1 9 tx 1= 500 = = = 2.58 ; t α t s 89.3 = = b 1 o Intervalle de confiance de 95% approximatif pour n 60 : b ± 2s b1 k Les déterminants salariaux à Statville variable dépendante: salaires; estimateur: MCO Variables indépendantes : âge expérience Constante 269.9* (89.3) 23.4 (103.2) * (3500.3) R-carré 0.59 R-carré ajusté 0.50 Erreur type de la régression Observations 12 Remarques : erreurs types entre parenthèses ; * : significatif à 5% Régression linéaire multiple 26 / 50
27 Chapitre 4 : RÉGRESSION 4.3 Régression linéaire multiple Equation et Estimation Inférence Coefficients de détermination Spécifications Régression linéaire multiple 27 / 50
28 Bases Par «spécification», on entend la formulation du modèle empirique, càd de l équation de la régression. La spécification linéaire est suffisamment flexible pour permettre l estimation d une large gamme de modèles théoriques, dont certains sont non linéaires à la base (mais «intrinsèquement linéaires»). Nous présenterons quelques spécifications particulières très utiles : o spécification polynomiale o variables indépendantes binaires o spécification logarithmique o interactions Il existe des modèles théoriques non linéaires qui ne peuvent être transformés en une spécification linéaire et nécessitent donc l utilisation d un estimateur non linéaire (pas traité dans ce cours). y = β + β x + β Exemple : ( ) Régression linéaire multiple 28 / 50
29 Spécification polynomiale La spécification de base de la régression linéaire multiple peut être considérée comme un cas particulier d une classe de fonctions plus large, les fonctions polynomiales : y = + x + x + x + + x K β0 β1 β2 β3... βk ε K : le «degré» du polynôme K = 2 : polynôme du deuxième degré (ou «parabole») Si ε satisfait les hypothèses du modèle des MCO, cette spécification peut être estimée avec la méthode des moindres carrés : ( ) 2 3 yˆ = E y x = b + b x + b x + b x b x K K Régression linéaire multiple 29 / 50
30 Exemple Statville (1) Le syndic se rend compte que sa spécification initiale n est pas satisfaisante. En particulier, l hypothèse d une relation linéaire entre l âge et le revenu des habitants n est pas plausible. Il décide donc d estimer un modèle polynomial du deuxième degré pour la variable indépendante «âge» : y = β + β x + β x + β x + ε, où x 1 = âge, et x 2 = expérience Régression linéaire multiple 30 / 50
31 Exemple Statville (2) Statistiques de la régression Coefficient de détermination multiple Coefficient de détermination R^ Coefficient de détermination R^ Erreur-type Observations 12 ANALYSE DE VARIANCE Degré de liberté Somme des carrés Moyenne des carrés F Valeur critique de F Régression Résidus Total Coefficients Erreur-type Statistique t Probabilité Limite inférieure pour seuil de confiance = 95% Limite supérieure pour seuil de confiance = 95% Constante âge âge^ expérience b 1 et b 2 sont statistiquement significatifs «expérience» devient statistiquement significative (à 10%) spécification parabolique semble justifiée Régression linéaire multiple 31 / 50
32 Exemple Statville (3) Prédictions impliquées par les coefficients estimés pour une personne avec dix ans d expérience : yˆ x = 10 = * x 22.1* x + 98 * 10 ( ) Prédiction de l âge auquel le revenu est maximal, x : max 1 yˆ max = b1 + 2b2x1 = 0 x1 max x = b 2b x max = = 2 * 22.1 ( ) 47 revenu âge Régression linéaire multiple 32 / 50
33 Variables indépendantes binaires Une variable indépendante binaire (aussi : variable «muette», «indicatrice», ou «dummy») ne prend que deux valeurs : 0 ou 1. Les variables binaires sont utilisées pour distinguer deux niveaux mutuellement exclusifs des valeurs d une variable quantitative ou qualitative. Quelques exemples : o dimension temporelle : bonne/mauvaise conjoncture ; été/nonété ; avant/après campagne publicitaire o dimension spatiale : nord/sud ; ville/campagne ; Suisse/étranger o variables qualitatives : homme/femme ; employé/non-employé o variables quantitatives groupées : ménages à plus/moins de de revenu ; firmes avec plus/moins de 10 employés Le niveau pour laquelle la variable binaire est définie comme égale à zéro, est appelée le «niveau de référence». Régression linéaire multiple 33 / 50
34 Exemple Statville (4) Le syndic cherche à savoir si, au-delà de l âge et de l expérience 2 (càd «en contrôlant pour» x 1, x 1 et x 2 ), le sexe des travailleurs influence leur salaire moyen. Il définit alors la variable muette x 3 suivante : o individu i est une femme x 3 = 1 o individu i est un homme x 3 = 0 (niveau de référence) ind. revenu âge expérience femme Moyenne Ecart type Régression linéaire multiple 34 / 50
35 Exemple Statville (5) Statistiques de la régression Coefficient de détermination multiple Coefficient de détermination R^ Coefficient de détermination R^ Erreur-type Observations 12 ANALYSE DE VARIANCE Degré de liberté Somme des carrés Moyenne des carrés F Valeur critique de F Régression Résidus Total Coefficients Erreur-type Statistique t Probabilité Limite inférieure pour seuil de confiance = 95% Limite supérieure pour seuil de confiance = 95% Constante âge âge^ expérience femme En moyenne, une femme gagne francs de moins qu un homme du même âge et avec le même nombre d années d expérience. Cet effet est statistiquement significatif au seuil de 10% mais non au seuil de 5%. Régression linéaire multiple 35 / 50
36 Exemple Statville (6) Prédictions impliquées par les coefficients estimés o pour une femme avec dix ans d expérience : 2 ( yˆ x2 = 10, x3 = 1) = * x * x * o pour un homme avec dix ans d expérience : yˆ x = 10, x = 0 = * x 20.8 * x * 10 ( ) revenu femmes hommes b 3 = âge Régression linéaire multiple 36 / 50
37 Exemple Statville (7) Plutôt qu estimer les paramètres du modèle de régression (des corrélations conditionnelles), le syndic pourrait s intéresser aux corrélations «pures» ˆkl ρ entre toutes les paires de variables indépendantes kl (les corrélations inconditionnelles). examiner la matrice de corrélation Excel : Outils - Utilitaire d analyse Analyse de corrélation Intitulés en première ligne revenu âge âge^2 expérience femme revenu 1 âge âge^ expérience femme ! Régression linéaire multiple 37 / 50
38 Variables binaires pour niveaux multiples Des variables indépendantes binaires peuvent aussi servir pour représenter des variables qualitatives ou des variables quantitatives groupées avec C > 2 niveaux. Dans ce cas on crée C 1 variables binaires, une pour chaque niveau sauf un, appelé «catégorie de référence». Exemple Statville : Trois tranches d âge o 0 30 : x1 = 0 ; x2 = 0 o : x1 = 1 ; x2 = 0 E ( y ) = β0 + β1x1 + β2x2 o : x1 = 0 ; x2 = 1 β 0 est le salaire moyen des jeunes (0 30) β 1 est la différence entre le salaire moyen du groupe des 31 à 55 par rapport à celui des jeunes. β 2 est la différence entre le salaire moyen du groupe des 56 à 65 par rapport à celui des jeunes. Régression linéaire multiple 38 / 50
39 Spécifications logarithmiques (1) Un modèle non linéaire mais «intrinsèquement linéaire» est l équation Cobb-Douglas, k =, souvent utilisée en Régression linéaire multiple 39 / 50 K y a x β microéconomie pour représenter l origine des courbes d offre (fonction de production) et de demande (fonction d utilité). k = 1 β1 β2 ε version stochastique (K = 2) : y = ax1 x2 e, où ε satisfait les cinq hypothèses du modèle des MCO Ce modèle devient linéaire quand on le transforme en logarithmes naturels : ln y = β + β ln x + β ln x + ε, où β 0 = lna o Puisque pour estimer ce modèle on transforme la variable dépendante ainsi que les variables indépendantes, on parle de la «double transformation logarithmique» ou de la «spécification log-log». k
40 Spécifications logarithmiques (2) Un grand atout de la spécification log-log est que les coefficients estimés peuvent être interprétés comme des élasticités. On parle donc aussi du «modèle à élasticité constante».) ( ln y ) 1 y = = ln y y y y y xk y ln y o élasticité de y par rapport à x k : = = = βk x x k y k ln xk x o Tout comme les coefficients standardisés, les coefficients d un modèle log-log peuvent être comparés à travers les variables indépendantes k, puisque par définition les élasticités sont toutes exprimées dans les mêmes unités (càd en termes de déviations en pourcentage de y et de x k ). k ( y ) Régression linéaire multiple 40 / 50
41 Spécifications logarithmiques (3) Un autre modèle «intrinsèquement linéaire» est donné par 0 1x x2 k xk y = e β + β + β + + β. 0 1x1 2x2 version stochastique (K = 2) : y = e β + β + β + ε, où ε satisfait les cinq hypothèses du modèle des MCO Ce modèle devient linéaire quand on le transforme en logarithmes naturels : ln y = β + β x + β x + ε o Puisque pour estimer ce modèle on ne transforme que la variable dépendante, on parle de la «spécification semilogarithmique». Régression linéaire multiple 41 / 50
42 Spécifications logarithmiques (4) Les paramètres d une telle spécification sont des semi-elasticités : il représentent la variation en pourcentage de la variable dépendante par rapport à une variation d une unité de la variable indépendante en question. Puisque ces semi-elasticités dépendent des unités de mesure des variables indépendantes, elle ne sont pas directement comparables à travers les différentes variables indépendantes. La spécification semi-logarithmique est utilisée en macroéconomie afin de modéliser des taux de croissance stables : 0 1 o Soit y = e β + β x+ ε, où y est un agrégat économique (PIB, niveau des prix, ), et x est la variable «temps» (en mois, trimestres, années, ). d ln y o Alors β 1 = est le taux de croissance moyen de y. dx Régression linéaire multiple 42 / 50
43 Exemple Statville (8) Spécification log-log (régression simple) : ln(revenu) = β 0 + β 1 *ln(âge) + ε Statistiques de la régression Coefficient de détermination multiple Coefficient de détermination R^ Coefficient de détermination R^ Erreur-type Observations 12 ANALYSE DE VARIANCE Degré de liberté Somme des carrés Moyenne des carrés F Valeur critique de F Régression Résidus Total Limite inférieure pour seuil Limite supérieure pour Coefficients Erreur-type Statistique t Probabilité de confiance = 95% seuil de confiance = 95% Constante E ln(âge) par pourcent d âge supplémentaire, le revenu moyen augmente de 0.25 pourcent R-carré (0.68) plus élevé que dans la régression avec y et x non transformées (0.59, voir ch ) spécification log-log (nonlinéaire) mieux ajustée aux données Régression linéaire multiple 43 / 50
44 Exemple Statville (9) Spécification semi-logarithmique (régression simple) : ln(revenu) = β 0 + β 1 *âge + ε Statistiques de la régression Coefficient de détermination multiple Coefficient de détermination R^ Coefficient de détermination R^ Erreur-type Observations 12 ANALYSE DE VARIANCE Degré de liberté Somme des carrés Moyenne des carrés F Valeur critique de F Régression Résidus Total Coefficients Erreur-type Statistique t Probabilité Limite inférieure pour seuil Limite supérieure pour de confiance = 95% seuil de confiance = 95% Constante E âge par année d âge supplémentaire, le revenu moyen augmente de 0.57 pourcent R-carré (0.57) moins élevé que dans la régression avec y et x non transformés (0.59, voir. ch ) spécification semi-logarithmique moins bien ajustée aux données Régression linéaire multiple 44 / 50
45 Exemple Statville (10) revenu yˆ = x ( ( x) ) yˆ = exp * ln yˆ = exp( x) âge Régression linéaire multiple 45 / 50
46 Interactions (1) L équation de régression linéaire multiple implique des effets isolés y de chaque variable indépendante : = βk k x En ajoutant des produits de variables indépendantes («termes d interaction»), on peut modéliser des interdépendances entre les effets des variables indépendantes : y = β + β x + β x + β x x + ε y y = β1 + β3x2, = β2 + β3x1 x1 x2 k Régression linéaire multiple 46 / 50
47 Interactions (2) β 1 (β 2 ) représente l effet de x 1 (x 2 ) sur ŷ quand x 2 (x 1 ) est égal à zéro. Puisque une valeur de zéro n est souvent pas très réaliste ou informative (p.ex. dans une estimation des déterminants salariaux), on estime souvent une spécification transformée : ( )( ) y = β + ɶ β x + ɶ β x + β x x x x + ε βɶ 1 ( βɶ 2 ) est alors l effet de x 1 (x 2 ) sur ŷ quand x 2 (x 1 ) prend sa valeur moyenne. Si x 1 est une variable continue et x 2 une variable binaire, alors β 2 représente le déplacement de l intercept, et β 3 représente le changement de la pente de ŷ par rapport à x 1, quand x 2 passe de 0 à 1. Régression linéaire multiple 47 / 50
48 Exemple Statland (1) Les syndics de Statville et Statdorf cherchent à savoir si les salaires moyens croissent à un rythme différent avec l âge dans leurs deux communes. Ils collectionnent des données pour des échantillons aléatoires simples dans les deux communes (n = 12). ind. commune revenu âge âge*commune moyenne écart type moyenne écart type Régression linéaire multiple 48 / 50
49 Exemple Statland (2) revenu = β 0 + β 1 *commune + β 2 *âge + β 3 *âge*commune + ε, où commune = 0 Statville ; commune = 1 Statdorf Statistiques de la régression Coefficient de détermination multiple Coefficient de détermination R^ Coefficient de détermination R^ Erreur-type Observations 24 ANALYSE DE VARIANCE Degré de liberté Somme des carrés Moyenne des carrés F Valeur critique de F Régression Résidus Total Coefficients Erreur-type Statistique t Probabilité Limite inférieure pour seuil Limite supérieure pour de confiance = 95% seuil de confiance = 95% Constante E commune âge âge*commune revenu commune = 1 = = 245 âge (différence non significative du point de vue statistique) Régression linéaire multiple 49 / 50
50 Exemple Statland (3) revenu revenu estimé: Statville revenu estimé: Statdorf revenu observé: Statville revenu observé: Statdorf âge Régression linéaire multiple 50 / 50
Chapitre 3 : INFERENCE
Chapitre 3 : INFERENCE 3.1 L ÉCHANTILLONNAGE 3.1.1 Introduction 3.1.2 L échantillonnage aléatoire 3.1.3 Estimation ponctuelle 3.1.4 Distributions d échantillonnage 3.1.5 Intervalles de probabilité L échantillonnage
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 détailTable des matières. I Mise à niveau 11. Préface
Table des matières Préface v I Mise à niveau 11 1 Bases du calcul commercial 13 1.1 Alphabet grec...................................... 13 1.2 Symboles mathématiques............................... 14 1.3
Plus en détailF7n COUP DE BOURSE, NOMBRE DÉRIVÉ
Auteur : S.& S. Etienne F7n COUP DE BOURSE, NOMBRE DÉRIVÉ TI-Nspire CAS Mots-clés : représentation graphique, fonction dérivée, nombre dérivé, pente, tableau de valeurs, maximum, minimum. Fichiers associés
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 détailEXERCICES - ANALYSE GÉNÉRALE
EXERCICES - ANALYSE GÉNÉRALE OLIVIER COLLIER Exercice 1 (2012) Une entreprise veut faire un prêt de S euros auprès d une banque au taux annuel composé r. Le remboursement sera effectué en n années par
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 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 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 détailCorrection du bac blanc CFE Mercatique
Correction du bac blanc CFE Mercatique Exercice 1 (4,5 points) Le tableau suivant donne l évolution du nombre de bénéficiaires de minima sociaux en milliers : Année 2002 2003 2004 2005 2006 2007 2008 2009
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 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 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 détailLa programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique
La programmation linéaire : une introduction Qu est-ce qu un programme linéaire? Qu est-ce qu un programme linéaire? Exemples : allocation de ressources problème de recouvrement Hypothèses de la programmation
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 détailChapitre 2/ La fonction de consommation et la fonction d épargne
hapitre 2/ La fonction de consommation et la fonction d épargne I : La fonction de consommation keynésienne II : Validations et limites de la fonction de consommation keynésienne III : Le choix de consommation
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 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 détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en détailProgrammation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
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 détailAttitude des ménages face au risque. M1 - Arnold Chassagnon, Université de Tours, PSE - Automne 2014
Attitude des ménages face au risque - M1 - Arnold Chassagnon, Université de Tours, PSE - Automne 2014 Plan du cours 1. Introduction : demande de couverture et comportements induits pa 2. Représentations
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 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 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 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 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 détailTerminale STMG Lycée Jean Vilar 2014/2015. Terminale STMG. O. Lader
Terminale STMG O. Lader Table des matières Interrogation 1 : Indice et taux d évolution........................... 2 Devoir maison 1 : Taux d évolution................................ 4 Devoir maison 1
Plus en détailCompte rendu de LA37 B, TP numéro 1. Evolution de la température et du degrée d'hydratation
4 6 8 2 4 8 22 26 3 34 38 42 46 5 54 58 62 66 7 74 78 83 89 96 8 44 Bertin Morgan Compte rendu de LA37 B, TP numéro. Les essais effectués par le laboratoire des ponts et chaussés nous ont fournis la température
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 détailLes coûts de la production. Microéconomie, chapitre 7
Les coûts de la production Microéconomie, chapitre 7 1 Sujets à aborder Quels coûts faut-il considérer? Coûts à court terme Coûts à long terme Courbes de coûts de court et de long terme Rendements d échelle
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 détailChapitre 3. Quelques fonctions usuelles. 1 Fonctions logarithme et exponentielle. 1.1 La fonction logarithme
Chapitre 3 Quelques fonctions usuelles 1 Fonctions logarithme et eponentielle 1.1 La fonction logarithme Définition 1.1 La fonction 7! 1/ est continue sur ]0, +1[. Elle admet donc des primitives sur cet
Plus en détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
Plus en détailCHOIX OPTIMAL DU CONSOMMATEUR. A - Propriétés et détermination du choix optimal
III CHOIX OPTIMAL DU CONSOMMATEUR A - Propriétés et détermination du choix optimal La demande du consommateur sur la droite de budget Résolution graphique Règle (d or) pour déterminer la demande quand
Plus en détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en détailImpact du mobile banking sur les comportements d épargne et de transferts à Madagascar. Florence Arestoff Baptiste Venet
Impact du mobile banking sur les comportements d épargne et de transferts à Madagascar Florence Arestoff Baptiste Venet 1 Introduction : contexte du contrat de recherche Ce contrat de recherche fait suite
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 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 détailLa survie nette actuelle à long terme Qualités de sept méthodes d estimation
La survie nette actuelle à long terme Qualités de sept méthodes d estimation PAR Alireza MOGHADDAM TUTEUR : Guy HÉDELIN Laboratoire d Épidémiologie et de Santé publique, EA 80 Faculté de Médecine de Strasbourg
Plus en détailRéseau SCEREN. Ce document a été numérisé par le CRDP de Bordeaux pour la. Base Nationale des Sujets d Examens de l enseignement professionnel.
Ce document a été numérisé par le CRDP de Bordeaux pour la Base Nationale des Sujets d Examens de l enseignement professionnel. Campagne 2013 Ce fichier numérique ne peut être reproduit, représenté, adapté
Plus en détailChapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE
UE4 : Biostatistiques Chapitre 3 : Principe des tests statistiques d hypothèse José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Introduction
Plus en détailESSEC Cours Wealth management
ESSEC Cours Wealth management Séance 9 Gestion de patrimoine : théories économiques et études empiriques François Longin 1 www.longin.fr Plan de la séance 9 Epargne et patrimoine des ménages Analyse macroéconomique
Plus en détailt 100. = 8 ; le pourcentage de réduction est : 8 % 1 t Le pourcentage d'évolution (appelé aussi taux d'évolution) est le nombre :
Terminale STSS 2 012 2 013 Pourcentages Synthèse 1) Définition : Calculer t % d'un nombre, c'est multiplier ce nombre par t 100. 2) Exemples de calcul : a) Calcul d un pourcentage : Un article coûtant
Plus en détailCorrection du baccalauréat STMG Polynésie 17 juin 2014
Correction du baccalauréat STMG Polynésie 17 juin 2014 EXERCICE 1 Cet exercice est un Q.C.M. 4 points 1. La valeur d une action cotée en Bourse a baissé de 37,5 %. Le coefficient multiplicateur associé
Plus en détailFONCTION DE DEMANDE : REVENU ET PRIX
FONCTION DE DEMANDE : REVENU ET PRIX 1. L effet d une variation du revenu. Les lois d Engel a. Conditions du raisonnement : prix et goûts inchangés, variation du revenu (statique comparative) b. Partie
Plus en détailNotes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables
Notes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables Guy Desaulniers Département de mathématiques et de génie industriel École Polytechnique de Montréal Automne 2014 Table des matières
Plus en détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
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 détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées 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 détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailCorrigé des TD 1 à 5
Corrigé des TD 1 à 5 1 Premier Contact 1.1 Somme des n premiers entiers 1 (* Somme des n premiers entiers *) 2 program somme_entiers; n, i, somme: integer; 8 (* saisie du nombre n *) write( Saisissez un
Plus en détailSOMMAIRE OPÉRATIONS COURANTES OPÉRATIONS D INVENTAIRE
SOMMAIRE OPÉRATIONS COURANTES OPÉRATIONS D INVENTAIRE 1 Factures de doit p. 9 Processus 1 2 Réductions sur factures de doit p. 11 Processus 1 3 Frais accessoires sur factures p. 13 Processus 1 4 Comptabilisation
Plus en détailCatalogue des connaissances de base en mathématiques dispensées dans les gymnases, lycées et collèges romands.
Catalogue des connaissances de base en mathématiques dispensées dans les gymnases, lycées et collèges romands. Pourquoi un autre catalogue en Suisse romande Historique En 1990, la CRUS (Conférences des
Plus en détailModèles et Méthodes de Réservation
Modèles et Méthodes de Réservation Petit Cours donné à l Université de Strasbourg en Mai 2003 par Klaus D Schmidt Lehrstuhl für Versicherungsmathematik Technische Universität Dresden D 01062 Dresden E
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 détailCONSOMMATION INTERTEMPORELLE & MARCHE FINANCIER. Epargne et emprunt Calcul actuariel
CONSOMMATION INTERTEMPORELLE & MARCHE FINANCIER Epargne et emprunt Calcul actuariel Plan du cours Préambule : la contrainte budgétaire intertemporelle et le calcul actuariel I II III Demandes d épargne
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailNombre dérivé et tangente
Nombre dérivé et tangente I) Interprétation graphique 1) Taux de variation d une fonction en un point. Soit une fonction définie sur un intervalle I contenant le nombre réel a, soit (C) sa courbe représentative
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 10 août 2015 Enoncés 1 Proailités sur un univers fini Evènements et langage ensemliste A quelle condition sur (a,, c, d) ]0, 1[ 4 existe-t-il une proailité P sur
Plus en détailLa structure de la base de données et l utilisation de PAST. Musée Royal de l Afrique Centrale (MRAC Tervuren)
La structure de la base de données et l utilisation de PAST La structure de la base de données données originales SPÉCIMENS Code des spécimens: Identification des spécimens individuels. Dépend du but de
Plus en détailSOMMAIRE. AVRIL 2013 TECHNOLOGIE ÉTUDE POINTS DE VUE BDC Recherche et intelligence de marché de BDC TABLE DES MATIÈRES
AVRIL 2013 TECHNOLOGIE ÉTUDE POINTS DE VUE BDC Recherche et intelligence de marché de BDC TABLE DES MATIÈRES Faits saillants du sondage 2 Contexte et méthode de sondage 3 Profil des répondants 3 Investissements
Plus en détailBaccalauréat ES/L Amérique du Sud 21 novembre 2013
Baccalauréat ES/L Amérique du Sud 21 novembre 2013 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats 5 points Une entreprise informatique produit et vend des clés USB. La vente de ces clés est réalisée
Plus en détailFiche qualité relative à l enquête Santé et Itinéraire Professionnel 2010 (SIP) Carte d identité de l enquête
Fiche qualité relative à Santé et Itinéraire Professionnel 2010 (SIP) Nom Années de Périodicité Panel (suivi d échantillon) Services concepteurs Service réalisant Sujets principaux traités dans Carte d
Plus en détailLE TABLEAU DE BORD DE SUIVI DE L ACTIVITE
TABLEAU DE BORD LE TABLEAU DE BORD DE SUIVI DE L ACTIVITE DEFINITION Le tableau de bord est un support (papier ou informatique) qui sert à collecter de manière régulière des informations permettant de
Plus en détailChapitre 6. Fonction réelle d une variable réelle
Chapitre 6 Fonction réelle d une variable réelle 6. Généralités et plan d étude Une application de I dans R est une correspondance entre les éléments de I et ceu de R telle que tout élément de I admette
Plus en détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailEtude des propriétés empiriques du lasso par simulations
Etude des propriétés empiriques du lasso par simulations L objectif de ce TP est d étudier les propriétés empiriques du LASSO et de ses variantes à partir de données simulées. Un deuxième objectif est
Plus en détailLa pension de vieillesse au Luxembourg: réglementation et modalités de calcul. Florence Navarro
La pension de vieillesse au Luxembourg: réglementation et modalités de calcul Déjeuner-débat ELSA Florence Navarro 2 juillet 2014 Le principe des 3 piliers en matière de pension 1 er pilier Sécurité sociale
Plus en détailSimulation d application des règles CNAV AGIRC ARRCO sur des carrières type de fonctionnaires d Etat
CONSEIL D ORIENTATION DES RETRAITES Séance plénière du 10 avril 2014 à 9 h 30 «Carrières salariales et retraites dans les secteurs et public» Document N 9 Document de travail, n engage pas le Conseil Simulation
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 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 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 détailBac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures)
Bac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures) Eercice 1 (5 points) pour les candidats n ayant pas choisi la spécialité MATH Le tableau suivant donne l évolution du chiffre
Plus en détailELEMENTS DE COMPTABILITE NATIONALE
ELEMENTS DE COMPTABILITE NATIONALE Cours de M. Di Roberto Université Victor Segalen Bordeaux 2 Bibliographie Ce cours s inspire largement des ouvrages essentiels suivants. Merci à leurs auteurs. BOSSERELLE
Plus en détailComment va la vie en France?
Comment va la vie en France? L Initiative du vivre mieux, lancée en 2011, se concentre sur les aspects de la vie qui importent aux gens et qui ont un impact sur leur qualité de vie. L Initiative comprend
Plus en détailMATLAB : COMMANDES DE BASE. Note : lorsqu applicable, l équivalent en langage C est indiqué entre les délimiteurs /* */.
Page 1 de 9 MATLAB : COMMANDES DE BASE Note : lorsqu applicable, l équivalent en langage C est indiqué entre les délimiteurs /* */. Aide help, help nom_de_commande Fenêtre de travail (Command Window) Ligne
Plus en détailLicence Economie-Gestion, 1ère Année Polycopié de Statistique Descriptive. Année universitaire : 2014-2015.
Licence Economie-Gestion, 1ère Année Polycopié de Statistique Descriptive. Année universitaire : 2014-2015. Thèmes des séances de TD Thème n.1: Tableaux statistiques et représentations graphiques. Thème
Plus en détailLa nouvelle planification de l échantillonnage
La nouvelle planification de l échantillonnage Pierre-Arnaud Pendoli Division Sondages Plan de la présentation Rappel sur le Recensement de la population (RP) en continu Description de la base de sondage
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 détailNotes du cours MTH1101N Calcul I Partie II: fonctions de plusieurs variables
Notes du cours MTH1101N Calcul I Partie II: fonctions de plusieurs variables Fausto Errico Département de mathématiques et de génie industriel École Polytechnique de Montréal Automne 2012 Table des matières
Plus en détailRapport sur. La situation financière de l ensemble des retraités Québécois et des secteurs public et parapublic du Québec
Rapport sur La situation financière de l ensemble des retraités Québécois et des secteurs public et parapublic du Québec François Vaillancourt CIRANO et Université de Montréal et Viorela Diaconu Université
Plus en détailCorrection de l examen de la première session
de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi
Plus en détail8.1 Généralités sur les fonctions de plusieurs variables réelles. f : R 2 R (x, y) 1 x 2 y 2
Chapitre 8 Fonctions de plusieurs variables 8.1 Généralités sur les fonctions de plusieurs variables réelles Définition. Une fonction réelle de n variables réelles est une application d une partie de R
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 détailContents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes
Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire
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 détailChapitre 0 Introduction à la cinématique
Chapitre 0 Introduction à la cinématique Plan Vitesse, accélération Coordonnées polaires Exercices corrigés Vitesse, Accélération La cinématique est l étude du mouvement Elle suppose donc l existence à
Plus en détailFocus. Lien entre rémunération du travail et allocation de chômage
Focus Lien entre rémunération du travail et allocation de chômage Introduction Le travailleur qui devient chômeur et qui est admissible sur base de prestations de travail se voit, en application du principe
Plus en détailEco-Fiche BILAN DE L ANNEE 2012 QUELLES PERSPECTIVES POUR 2013? 1
Eco-Fiche Janvier 2013 BILAN DE L ANNEE 2012 QUELLES PERSPECTIVES POUR 2013? 1 Retour sur l année 2012 : l atonie En 2012, le Produit Intérieur Brut (PIB) s est élevé à 1 802,1 milliards d euros, soit
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 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 détail201-105-RE SOLUTIONS CHAPITRE 1
Chapitre1 Matrices 1 201-105-RE SOLUTIONS CHAPITRE 1 EXERCICES 1.2 1. a) 1 3 Ë3 7 3 2 Ë 1 16 pas défini d) 16 30 17 3 e) Ë 7 68 22 16 13 Ë 5 18 6 2. a) 0 4 4 4 0 4 Ë4 4 0 Ë 0 4 32 4 4 0 4 32 32 4 0 4 4
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 détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en détailLa fonction exponentielle
DERNIÈRE IMPRESSION LE 2 novembre 204 à :07 La fonction exponentielle Table des matières La fonction exponentielle 2. Définition et théorèmes.......................... 2.2 Approche graphique de la fonction
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 détailGuide d utilisation des taxes à la consommation
BD/MSPS Guide d utilisation des taxes à la consommation Le présent guide décrit le modèle d entrées-sorties de taxes à la consommation associé au MSPS. Il combine les taxes à la consommation perçues au
Plus en détail