Contenus :

• Limites de la régression linéaire ;
• Nature de la variable dépendante ;
• Variables binaires, catégorielles et de comptage ;
• Structure générale d’un modèle linéaire généralisé ;
• Composante aléatoire ;
• Composante systématique ;
• Fonction de lien ;
• Estimation par maximum de vraisemblance ;
• Variable dépendante binaire ;
• Probabilité ;
• Cotes ;
• Logarithme des cotes ;
• Fonction logit ;
• Formulation de la régression logistique ;
• Ajustement d’un modèle logistique ;
• Signe des coefficients ;
• Rapports de cotes ;
• Intervalles de confiance des rapports de cotes ;
• Variables quantitatives et catégorielles ;
• Probabilités prédites ;
• Effets marginaux ;
• Interactions dans un modèle logistique ;
• Mise en œuvre avec statsmodels ou scikit-learn.

Objectifs pédagogiques :

• Expliquer les principes des modèles linéaires généralisés ;
• Identifier une variable dépendante binaire ;
• Expliquer la fonction logit ;
• Construire une régression logistique ;
• Interpréter les coefficients ;
• Calculer et interpréter les rapports de cotes ;
• Produire des probabilités prédites ;
• Intégrer des variables quantitatives et qualitatives ; 
• Distinguer une probabilité d’une décision de classification