Contenus :

• Rappel des principes de la régression linéaire simple ;
• Passage à la régression linéaire multiple ;
• Formulation générale du modèle ;
• Variable dépendante et variables explicatives ;
• Interprétation conditionnelle des coefficients ;
• Constante du modèle ;
• Valeurs ajustées et résidus ;
• Coefficients bruts et coefficients standardisés ;
• Effets de contrôle ;
• Comparaison entre association brute et association conditionnelle ;
• Ajout et retrait de variables ;
• Effets d’une variable omise ;
• Variables confondantes ;
• Coefficient de détermination ;
• Coefficient de détermination ajusté ;
• Erreur standard résiduelle ;
• Intervalles de confiance ;
• Intervalles de prédiction ;
• Mise en œuvre avec Python, R ou un logiciel statistique ;
• Lecture et interprétation d’un tableau de résultats.

Objectifs pédagogiques :

• Formuler un modèle de régression multiple ;
• Identifier le rôle de chaque variable ;
• Interpréter les coefficients en maintenant constantes les autres variables ;
• Distinguer les coefficients bruts et standardisés ;
• Analyser l’effet de l’ajout ou du retrait d’une variable ;
• Identifier les effets possibles d’une variable omise ;
• Interpréter les indicateurs globaux du modèle ;
• Distinguer intervalle de confiance et intervalle de prédiction ; 
• Produire et interpréter un premier modèle multiple