frédéric bertrand esiea –...
TRANSCRIPT
![Page 1: Frédéric Bertrand ESIEA – 2009/2010irma.math.unistra.fr/~fbertran/enseignement/Estimation...Frédéric Bertrand - ESIEA 2009/2010 10 3. Relation stochastique La plupart des cas](https://reader036.vdocument.in/reader036/viewer/2022071114/5feb91e377c07d5e7c6d9d0d/html5/thumbnails/1.jpg)
Frédéric Bertrand ESIEA – 2009/2010
![Page 2: Frédéric Bertrand ESIEA – 2009/2010irma.math.unistra.fr/~fbertran/enseignement/Estimation...Frédéric Bertrand - ESIEA 2009/2010 10 3. Relation stochastique La plupart des cas](https://reader036.vdocument.in/reader036/viewer/2022071114/5feb91e377c07d5e7c6d9d0d/html5/thumbnails/2.jpg)
Références « Analyse de régression appliquée »
de Y. Dodge et V. Rousson, auxéditions Dunod, 2004.
« Régression non linéaire et applications » de A. Antoniadis, J. Berruyer, R. Carmona, éditions Economica, 1992.
Frédéric Bertrand - ESIEA 2009/2010 2
![Page 3: Frédéric Bertrand ESIEA – 2009/2010irma.math.unistra.fr/~fbertran/enseignement/Estimation...Frédéric Bertrand - ESIEA 2009/2010 10 3. Relation stochastique La plupart des cas](https://reader036.vdocument.in/reader036/viewer/2022071114/5feb91e377c07d5e7c6d9d0d/html5/thumbnails/3.jpg)
Introduction
But : rechercher une relation stochastique quilie deux ou plusieurs variables
Domaines : Physique, chimie, astronomie Biologie, médecine Géographie Economie …
Frédéric Bertrand - ESIEA 2009/2010 3
![Page 4: Frédéric Bertrand ESIEA – 2009/2010irma.math.unistra.fr/~fbertran/enseignement/Estimation...Frédéric Bertrand - ESIEA 2009/2010 10 3. Relation stochastique La plupart des cas](https://reader036.vdocument.in/reader036/viewer/2022071114/5feb91e377c07d5e7c6d9d0d/html5/thumbnails/4.jpg)
1. Relation entre deux variables
Considérons X et Y deux variables.Exemple : la taille (X) et le poids (Y)But : savoir comment Y varie en fonction de XDans la pratique : Échantillon de n individus Relevé de la taille et du poids pour l’individu i
Tableau d’observations ou données pairées.
Frédéric Bertrand - ESIEA 2009/2010 4
![Page 5: Frédéric Bertrand ESIEA – 2009/2010irma.math.unistra.fr/~fbertran/enseignement/Estimation...Frédéric Bertrand - ESIEA 2009/2010 10 3. Relation stochastique La plupart des cas](https://reader036.vdocument.in/reader036/viewer/2022071114/5feb91e377c07d5e7c6d9d0d/html5/thumbnails/5.jpg)
1. Relation entre deux variables
Frédéric Bertrand - ESIEA 2009/2010 5
72,61
1907
7
74,1185
66
6
67,41805
67,41754
72,71703
68,51652
57,91601
PoidsTailleObservations
0
10
20
30
40
50
60
70
80
155 160 165 170 175 180 185 190 195
Taille (cm)Po
ids
(kg)
![Page 6: Frédéric Bertrand ESIEA – 2009/2010irma.math.unistra.fr/~fbertran/enseignement/Estimation...Frédéric Bertrand - ESIEA 2009/2010 10 3. Relation stochastique La plupart des cas](https://reader036.vdocument.in/reader036/viewer/2022071114/5feb91e377c07d5e7c6d9d0d/html5/thumbnails/6.jpg)
2. Relation déterministe
Dans certains cas, la relation est exacte. Exemples : X en euros, Y en dollars X distance ferroviaire, Y prix du billet.
Y = f(X)où f est une fonction déterminée.Exemples pour f : fonctions linéaires, fonctions
affines...
Frédéric Bertrand - ESIEA 2009/2010 6
![Page 7: Frédéric Bertrand ESIEA – 2009/2010irma.math.unistra.fr/~fbertran/enseignement/Estimation...Frédéric Bertrand - ESIEA 2009/2010 10 3. Relation stochastique La plupart des cas](https://reader036.vdocument.in/reader036/viewer/2022071114/5feb91e377c07d5e7c6d9d0d/html5/thumbnails/7.jpg)
2. Relation déterministe
Remarque importante :Nous utiliserons le terme de fonction « linéaire »pour désigner une fonction « affine »
où β0 et β1 sont des réels fixés.
Frédéric Bertrand - ESIEA 2009/2010 7
XXf 10)( ββ +=
![Page 8: Frédéric Bertrand ESIEA – 2009/2010irma.math.unistra.fr/~fbertran/enseignement/Estimation...Frédéric Bertrand - ESIEA 2009/2010 10 3. Relation stochastique La plupart des cas](https://reader036.vdocument.in/reader036/viewer/2022071114/5feb91e377c07d5e7c6d9d0d/html5/thumbnails/8.jpg)
2. Relation déterministe
Exemple : X en Celsius, Y en FarenheitY=32 + 9/5 X.
Ici nous avons en identifiant : β0 = 32 et β1 = 9/5.
Souvent nous savons que la relation entre X et Y estlinéaire mais les coefficients sont inconnus.
Frédéric Bertrand - ESIEA 2009/2010 8
![Page 9: Frédéric Bertrand ESIEA – 2009/2010irma.math.unistra.fr/~fbertran/enseignement/Estimation...Frédéric Bertrand - ESIEA 2009/2010 10 3. Relation stochastique La plupart des cas](https://reader036.vdocument.in/reader036/viewer/2022071114/5feb91e377c07d5e7c6d9d0d/html5/thumbnails/9.jpg)
2. Relation déterministe
En pratique comment faisons-nous ?
Échantillon de n données Vérifier que les données sont alignées.
Si ce cas est vérifié, alors nous avons : un modèlelinéaire déterministe.
Frédéric Bertrand - ESIEA 2009/2010 9
![Page 10: Frédéric Bertrand ESIEA – 2009/2010irma.math.unistra.fr/~fbertran/enseignement/Estimation...Frédéric Bertrand - ESIEA 2009/2010 10 3. Relation stochastique La plupart des cas](https://reader036.vdocument.in/reader036/viewer/2022071114/5feb91e377c07d5e7c6d9d0d/html5/thumbnails/10.jpg)
2. Relation déterministe
Si ce cas n’est pas vérifié, alors nous allons chercher :la droite qui ajuste le mieux l’échantillon, c’est-à-dire nous allons chercher un modèle linéaire nondéterministe.
Les n observations vont permettre de vérifier si ladroite candidate est adéquate.
Frédéric Bertrand - ESIEA 2009/2010 10
![Page 11: Frédéric Bertrand ESIEA – 2009/2010irma.math.unistra.fr/~fbertran/enseignement/Estimation...Frédéric Bertrand - ESIEA 2009/2010 10 3. Relation stochastique La plupart des cas](https://reader036.vdocument.in/reader036/viewer/2022071114/5feb91e377c07d5e7c6d9d0d/html5/thumbnails/11.jpg)
3. Relation stochastiqueLa plupart des cas ne sont pas desmodèles linéaires déterministes !(la relation entre X et Y n’est pas exacte)
Exemple : X la taille et Y le poids.A 180 cm peuvent correspondre plusieurs poids : 75 kg, 85 kg, …Les données ne sont plus alignées. Pour deux poids identiques, nous avons deux taillesdifférentes.
Frédéric Bertrand - ESIEA 2009/2010 11
![Page 12: Frédéric Bertrand ESIEA – 2009/2010irma.math.unistra.fr/~fbertran/enseignement/Estimation...Frédéric Bertrand - ESIEA 2009/2010 10 3. Relation stochastique La plupart des cas](https://reader036.vdocument.in/reader036/viewer/2022071114/5feb91e377c07d5e7c6d9d0d/html5/thumbnails/12.jpg)
3. Relation stochastique
Une hypothèse raisonnable : X et Y sont liés
Dans l’exemple précédent : plus un individu estgrand, plus il est lourd
: est une variable qui représente le comportementindividuel.
Frédéric Bertrand - ESIEA 2009/2010 12
εββ ++= XY 10
ε
![Page 13: Frédéric Bertrand ESIEA – 2009/2010irma.math.unistra.fr/~fbertran/enseignement/Estimation...Frédéric Bertrand - ESIEA 2009/2010 10 3. Relation stochastique La plupart des cas](https://reader036.vdocument.in/reader036/viewer/2022071114/5feb91e377c07d5e7c6d9d0d/html5/thumbnails/13.jpg)
3. Relation stochastique
Exemple :70 individus qui sont répartis de la façon suivante : 10 individus/taille 7 tailles (de 160 à 190 cm, pas de 5 cm).
Frédéric Bertrand - ESIEA 2009/2010 13
![Page 14: Frédéric Bertrand ESIEA – 2009/2010irma.math.unistra.fr/~fbertran/enseignement/Estimation...Frédéric Bertrand - ESIEA 2009/2010 10 3. Relation stochastique La plupart des cas](https://reader036.vdocument.in/reader036/viewer/2022071114/5feb91e377c07d5e7c6d9d0d/html5/thumbnails/14.jpg)
3. Relation stochastique
Frédéric Bertrand - ESIEA 2009/2010 14
010203040
5060708090
155 160 165 170 175 180 185 190 195
taillepo
ids
65,816515
66,316514
58,516513
69,816512
68,516511
57,716010
62,91609
58,01608
67,11607
64,51606
66,81605
56,81604
63,31603
58,91602
57,91601
PoidsTailleObservations
![Page 15: Frédéric Bertrand ESIEA – 2009/2010irma.math.unistra.fr/~fbertran/enseignement/Estimation...Frédéric Bertrand - ESIEA 2009/2010 10 3. Relation stochastique La plupart des cas](https://reader036.vdocument.in/reader036/viewer/2022071114/5feb91e377c07d5e7c6d9d0d/html5/thumbnails/15.jpg)
3. Relation stochastique
Commentaires : Plusieurs Y pour une même valeur de X.
Modèle linéaire déterministe inadéquat. Cependant Y augmente quand X augmente.
Modèle linéaire stochastiqueenvisageable.
Frédéric Bertrand - ESIEA 2009/2010 15
![Page 16: Frédéric Bertrand ESIEA – 2009/2010irma.math.unistra.fr/~fbertran/enseignement/Estimation...Frédéric Bertrand - ESIEA 2009/2010 10 3. Relation stochastique La plupart des cas](https://reader036.vdocument.in/reader036/viewer/2022071114/5feb91e377c07d5e7c6d9d0d/html5/thumbnails/16.jpg)
3. Relation stochastique
Définition du modèle linéaire stochastique :
: moyenne de Y mesurée sur tous les individuspour lesquels X vaut x.
Frédéric Bertrand - ESIEA 2009/2010 16
xxY 10)( ββµ +=
)(xYµ
![Page 17: Frédéric Bertrand ESIEA – 2009/2010irma.math.unistra.fr/~fbertran/enseignement/Estimation...Frédéric Bertrand - ESIEA 2009/2010 10 3. Relation stochastique La plupart des cas](https://reader036.vdocument.in/reader036/viewer/2022071114/5feb91e377c07d5e7c6d9d0d/html5/thumbnails/17.jpg)
3. Relation stochastique
Remarques : Comme ε, μY (x) n’est ni observable, ni calculable. Pour calculer μY (x), il faudrait recenser tous les
individus de la population.
Frédéric Bertrand - ESIEA 2009/2010 17
![Page 18: Frédéric Bertrand ESIEA – 2009/2010irma.math.unistra.fr/~fbertran/enseignement/Estimation...Frédéric Bertrand - ESIEA 2009/2010 10 3. Relation stochastique La plupart des cas](https://reader036.vdocument.in/reader036/viewer/2022071114/5feb91e377c07d5e7c6d9d0d/html5/thumbnails/18.jpg)
3. Relation stochastique
Dans la pratique :Nous estimons la moyenne théorique μY (x) par lamoyenne empirique de Y définie par :
Frédéric Bertrand - ESIEA 2009/2010 18
∑=
=n
ii xy
nxy
1)(1)(
![Page 19: Frédéric Bertrand ESIEA – 2009/2010irma.math.unistra.fr/~fbertran/enseignement/Estimation...Frédéric Bertrand - ESIEA 2009/2010 10 3. Relation stochastique La plupart des cas](https://reader036.vdocument.in/reader036/viewer/2022071114/5feb91e377c07d5e7c6d9d0d/html5/thumbnails/19.jpg)
3. Relation stochastique
Frédéric Bertrand - ESIEA 2009/2010 19
010203040
5060708090
155 160 165 170 175 180 185 190 195
Taille
Poid
s m
oyen
Retour à l’exemple :
77,28190
71,58185
71,76180
69,29175
68,34170
66,16165
61,39160
PoidsTaille
![Page 20: Frédéric Bertrand ESIEA – 2009/2010irma.math.unistra.fr/~fbertran/enseignement/Estimation...Frédéric Bertrand - ESIEA 2009/2010 10 3. Relation stochastique La plupart des cas](https://reader036.vdocument.in/reader036/viewer/2022071114/5feb91e377c07d5e7c6d9d0d/html5/thumbnails/20.jpg)
3. Relation stochastique
La droite que nous venons de tracer s’appelle :la droite de régression.
X et Y ne jouent pas un rôle identique.X explique Y X est une variable indépendante
(ou explicative) et Y est une variable dépendante(ou expliquée).
Frédéric Bertrand - ESIEA 2009/2010 20
![Page 21: Frédéric Bertrand ESIEA – 2009/2010irma.math.unistra.fr/~fbertran/enseignement/Estimation...Frédéric Bertrand - ESIEA 2009/2010 10 3. Relation stochastique La plupart des cas](https://reader036.vdocument.in/reader036/viewer/2022071114/5feb91e377c07d5e7c6d9d0d/html5/thumbnails/21.jpg)
3. Relation stochastique
En analyse de régression linéaire :
xi est fixéyi est aléatoirela composante aléatoire d’un yi est le εi
correspondant.
Frédéric Bertrand - ESIEA 2009/2010 21
![Page 22: Frédéric Bertrand ESIEA – 2009/2010irma.math.unistra.fr/~fbertran/enseignement/Estimation...Frédéric Bertrand - ESIEA 2009/2010 10 3. Relation stochastique La plupart des cas](https://reader036.vdocument.in/reader036/viewer/2022071114/5feb91e377c07d5e7c6d9d0d/html5/thumbnails/22.jpg)
3. Relation stochastique
Pour l’instant, la droite de régression est inconnue.
Tout le problème est d’estimer β0 et β1 à partir d’unéchantillon de données.
Frédéric Bertrand - ESIEA 2009/2010 22
![Page 23: Frédéric Bertrand ESIEA – 2009/2010irma.math.unistra.fr/~fbertran/enseignement/Estimation...Frédéric Bertrand - ESIEA 2009/2010 10 3. Relation stochastique La plupart des cas](https://reader036.vdocument.in/reader036/viewer/2022071114/5feb91e377c07d5e7c6d9d0d/html5/thumbnails/23.jpg)
3. Relation stochastique
Choix des paramètres : droite qui approche le mieux les données
introduction de et qui sont des estimateurs de β0 et de β1.
L’estimation de la droite de régression :
Frédéric Bertrand - ESIEA 2009/2010 23
0β̂ 1̂β
xxy 10ˆˆ)(ˆ ββ +=
![Page 24: Frédéric Bertrand ESIEA – 2009/2010irma.math.unistra.fr/~fbertran/enseignement/Estimation...Frédéric Bertrand - ESIEA 2009/2010 10 3. Relation stochastique La plupart des cas](https://reader036.vdocument.in/reader036/viewer/2022071114/5feb91e377c07d5e7c6d9d0d/html5/thumbnails/24.jpg)
3. Relation stochastique
Remarques : est un estimateur de μY(x) Si le modèle est bon, est plus précis que
Frédéric Bertrand - ESIEA 2009/2010 24
∑=
=n
ii xy
nxy
1)(1)(
)(ˆ xy)(ˆ xy
![Page 25: Frédéric Bertrand ESIEA – 2009/2010irma.math.unistra.fr/~fbertran/enseignement/Estimation...Frédéric Bertrand - ESIEA 2009/2010 10 3. Relation stochastique La plupart des cas](https://reader036.vdocument.in/reader036/viewer/2022071114/5feb91e377c07d5e7c6d9d0d/html5/thumbnails/25.jpg)
3. Relation stochastique
Lorsque x = xi, alors , c’est-à-dire :
est appelée la valeur estimée par le modèle.
Frédéric Bertrand - ESIEA 2009/2010 25
yi
iyxy ˆ)(ˆ =
ii xy 10ˆˆˆ ββ +=
![Page 26: Frédéric Bertrand ESIEA – 2009/2010irma.math.unistra.fr/~fbertran/enseignement/Estimation...Frédéric Bertrand - ESIEA 2009/2010 10 3. Relation stochastique La plupart des cas](https://reader036.vdocument.in/reader036/viewer/2022071114/5feb91e377c07d5e7c6d9d0d/html5/thumbnails/26.jpg)
3. Relation stochastique
Ces valeurs estiment les quantités inobservables :
par les quantités observables :
Frédéric Bertrand - ESIEA 2009/2010 26
iii yye ˆ−=
iii xy 10 ββε −−=
![Page 27: Frédéric Bertrand ESIEA – 2009/2010irma.math.unistra.fr/~fbertran/enseignement/Estimation...Frédéric Bertrand - ESIEA 2009/2010 10 3. Relation stochastique La plupart des cas](https://reader036.vdocument.in/reader036/viewer/2022071114/5feb91e377c07d5e7c6d9d0d/html5/thumbnails/27.jpg)
3. Relation stochastique
Ces quantités ei = les résidus du modèle. La plupart des méthodes d’estimation : estimer la
droite de régression par une droite qui minimise une fonction de résidu.
La plus connue : la méthode des moindres carrés.
Frédéric Bertrand - ESIEA 2009/2010 27
![Page 28: Frédéric Bertrand ESIEA – 2009/2010irma.math.unistra.fr/~fbertran/enseignement/Estimation...Frédéric Bertrand - ESIEA 2009/2010 10 3. Relation stochastique La plupart des cas](https://reader036.vdocument.in/reader036/viewer/2022071114/5feb91e377c07d5e7c6d9d0d/html5/thumbnails/28.jpg)
4. Méthode des moindres carrés
∑
∑∑
=
==
−−=
−=
n
iii
n
iii
n
ii
xy
yye
1
210
1
2
1
2
)ˆˆ(
)ˆ(
ββ
Frédéric Bertrand - ESIEA 2009/2010 28
Méthode : Définir des estimateurs qui minimisentla somme des carrés des résidus
![Page 29: Frédéric Bertrand ESIEA – 2009/2010irma.math.unistra.fr/~fbertran/enseignement/Estimation...Frédéric Bertrand - ESIEA 2009/2010 10 3. Relation stochastique La plupart des cas](https://reader036.vdocument.in/reader036/viewer/2022071114/5feb91e377c07d5e7c6d9d0d/html5/thumbnails/29.jpg)
Les estimateurs sont donc les coordonnées duminimum de la fonction à deux variables :
Cette fonction est appelée la fonction objectif.
4. Méthode des moindres carrés
210
110 )(),( i
n
ii xyfz ββββ −−== ∑
=
Frédéric Bertrand - ESIEA 2009/2010 29
![Page 30: Frédéric Bertrand ESIEA – 2009/2010irma.math.unistra.fr/~fbertran/enseignement/Estimation...Frédéric Bertrand - ESIEA 2009/2010 10 3. Relation stochastique La plupart des cas](https://reader036.vdocument.in/reader036/viewer/2022071114/5feb91e377c07d5e7c6d9d0d/html5/thumbnails/30.jpg)
4. Méthode des moindres carrés
∑ −−−=∂∂ )(2 10
0ii xyz ββ
β
Frédéric Bertrand - ESIEA 2009/2010 30
Les estimateurs correspondent aux valeurs annulantles dérivées partielles de cette fonction :
∑ −−−=∂∂ )(2 10
1iii xyxz ββ
β
![Page 31: Frédéric Bertrand ESIEA – 2009/2010irma.math.unistra.fr/~fbertran/enseignement/Estimation...Frédéric Bertrand - ESIEA 2009/2010 10 3. Relation stochastique La plupart des cas](https://reader036.vdocument.in/reader036/viewer/2022071114/5feb91e377c07d5e7c6d9d0d/html5/thumbnails/31.jpg)
4. Méthode des moindres carrés
0)(2 10 =−−− ∑ ii xy ββ
Frédéric Bertrand - ESIEA 2009/2010 31
Les estimateurs sont les solutions du système :
Soient :
0)(2 10 =−−− ∑ iii xyx ββ
∑∑ ∑ += 210
ˆˆ )2.4( iiii xxyx ββ
∑∑ += ii xny 10ˆˆ )1.4( ββ
![Page 32: Frédéric Bertrand ESIEA – 2009/2010irma.math.unistra.fr/~fbertran/enseignement/Estimation...Frédéric Bertrand - ESIEA 2009/2010 10 3. Relation stochastique La plupart des cas](https://reader036.vdocument.in/reader036/viewer/2022071114/5feb91e377c07d5e7c6d9d0d/html5/thumbnails/32.jpg)
4. Méthode des moindres carrés
Nous notons :
ny
nx
x ii ∑∑ == yet
xy 10ˆˆ ββ −=
Frédéric Bertrand - ESIEA 2009/201032
D’après (4.1), nous avons :
![Page 33: Frédéric Bertrand ESIEA – 2009/2010irma.math.unistra.fr/~fbertran/enseignement/Estimation...Frédéric Bertrand - ESIEA 2009/2010 10 3. Relation stochastique La plupart des cas](https://reader036.vdocument.in/reader036/viewer/2022071114/5feb91e377c07d5e7c6d9d0d/html5/thumbnails/33.jpg)
4. Méthode des moindres carrés
A partir de (4.2), nous avons :
21
02
1
ˆ
ˆˆ
xnyxnyx
xnyxx
ii
iii
β
ββ
+−=
−=
∑∑∑
221ˆ
xnxyxnyx
i
ii
−−
=∑∑β
Frédéric Bertrand - ESIEA 2009/201033
Ainsi nous obtenons :
![Page 34: Frédéric Bertrand ESIEA – 2009/2010irma.math.unistra.fr/~fbertran/enseignement/Estimation...Frédéric Bertrand - ESIEA 2009/2010 10 3. Relation stochastique La plupart des cas](https://reader036.vdocument.in/reader036/viewer/2022071114/5feb91e377c07d5e7c6d9d0d/html5/thumbnails/34.jpg)
4. Méthode des moindres carrés
Comme nous avons :
222)(
))((
xnxxx
yxnyxyyxx
ii
iiii
−=−
−=−−
∑∑∑∑
∑∑
−−−
= 21 )())((ˆ
xxyyxx
i
iiβ
Frédéric Bertrand - ESIEA 2009/201034
Ainsi nous obtenons :
![Page 35: Frédéric Bertrand ESIEA – 2009/2010irma.math.unistra.fr/~fbertran/enseignement/Estimation...Frédéric Bertrand - ESIEA 2009/2010 10 3. Relation stochastique La plupart des cas](https://reader036.vdocument.in/reader036/viewer/2022071114/5feb91e377c07d5e7c6d9d0d/html5/thumbnails/35.jpg)
4. Méthode des moindres carrés
Dans la pratique, nous calculons
xxy 10ˆˆ)(ˆ ββ +=
Frédéric Bertrand - ESIEA 2009/201035
01ˆ puis ˆ ββ
Nous obtenons une estimation de la droite derégression, appelée la droite des moindrescarrés :
![Page 36: Frédéric Bertrand ESIEA – 2009/2010irma.math.unistra.fr/~fbertran/enseignement/Estimation...Frédéric Bertrand - ESIEA 2009/2010 10 3. Relation stochastique La plupart des cas](https://reader036.vdocument.in/reader036/viewer/2022071114/5feb91e377c07d5e7c6d9d0d/html5/thumbnails/36.jpg)
4. Méthode des moindres carrés
Coefficients de la droite de régression :pente=0,442 ; ordonnée à l’origine=-8,012
0
10
20
30
40
50
60
70
80
90
155 160 165 170 175 180 185 190 195
Poid
s m
oyen
Taille
Frédéric Bertrand - ESIEA 2009/201036
![Page 37: Frédéric Bertrand ESIEA – 2009/2010irma.math.unistra.fr/~fbertran/enseignement/Estimation...Frédéric Bertrand - ESIEA 2009/2010 10 3. Relation stochastique La plupart des cas](https://reader036.vdocument.in/reader036/viewer/2022071114/5feb91e377c07d5e7c6d9d0d/html5/thumbnails/37.jpg)
5. Variation expliquée et inexpliquéeBut d’un modèle de régression linéaire :expliquer une partie de la variation de la variableexpliquée Y.La variation de Y vient du fait de sa dépendance à lavariable explicative X.
Variation expliquée par le modèle.
Frédéric Bertrand - ESIEA 2009/2010 37
![Page 38: Frédéric Bertrand ESIEA – 2009/2010irma.math.unistra.fr/~fbertran/enseignement/Estimation...Frédéric Bertrand - ESIEA 2009/2010 10 3. Relation stochastique La plupart des cas](https://reader036.vdocument.in/reader036/viewer/2022071114/5feb91e377c07d5e7c6d9d0d/html5/thumbnails/38.jpg)
5. Variation expliquée et inexpliquéeDans l’exemple « taille-poids », nous avons remarquéque lorsque nous mesurons Y avec une même valeur deX, nous observons une certaine variation sur Y.
Variation inexpliquée par le modèle.
Frédéric Bertrand - ESIEA 2009/2010 38
![Page 39: Frédéric Bertrand ESIEA – 2009/2010irma.math.unistra.fr/~fbertran/enseignement/Estimation...Frédéric Bertrand - ESIEA 2009/2010 10 3. Relation stochastique La plupart des cas](https://reader036.vdocument.in/reader036/viewer/2022071114/5feb91e377c07d5e7c6d9d0d/html5/thumbnails/39.jpg)
5. Variation expliquée et inexpliquée
Variation totale de Y= Variation expliquée par le modèle
+ Variation inexpliquée par le modèle
Frédéric Bertrand - ESIEA 2009/2010 39
![Page 40: Frédéric Bertrand ESIEA – 2009/2010irma.math.unistra.fr/~fbertran/enseignement/Estimation...Frédéric Bertrand - ESIEA 2009/2010 10 3. Relation stochastique La plupart des cas](https://reader036.vdocument.in/reader036/viewer/2022071114/5feb91e377c07d5e7c6d9d0d/html5/thumbnails/40.jpg)
5. Variation expliquée et inexpliquée
y
Frédéric Bertrand - ESIEA 2009/2010 40
Pour mesurer la variation de Y : nous introduisons
)ˆ()ˆ()( iiii yyyyyy −+−=−
Différence expliquée par le modèle
Différence inexpliquée par le modèle ou résidu du
modèle
![Page 41: Frédéric Bertrand ESIEA – 2009/2010irma.math.unistra.fr/~fbertran/enseignement/Estimation...Frédéric Bertrand - ESIEA 2009/2010 10 3. Relation stochastique La plupart des cas](https://reader036.vdocument.in/reader036/viewer/2022071114/5feb91e377c07d5e7c6d9d0d/html5/thumbnails/41.jpg)
5. Variation expliquée et inexpliquée
∑∑∑ −+−=− 222 )ˆ()ˆ()( yyyyyy iii
Frédéric Bertrand - ESIEA 2009/2010 41
Pourquoi la méthode des moindres carrés ? Un propriété remarquable : elle conserve une telle
décomposition en considérant la somme des carrés de ces différences :
![Page 42: Frédéric Bertrand ESIEA – 2009/2010irma.math.unistra.fr/~fbertran/enseignement/Estimation...Frédéric Bertrand - ESIEA 2009/2010 10 3. Relation stochastique La plupart des cas](https://reader036.vdocument.in/reader036/viewer/2022071114/5feb91e377c07d5e7c6d9d0d/html5/thumbnails/42.jpg)
5. Variation expliquée et inexpliquée
∑∑∑ −+−=− 222 )ˆ()ˆ()( yyyyyy iii
Frédéric Bertrand - ESIEA 2009/2010 42
Somme des carrés totales
(SCtot)
Somme des carrés dues à la
régression
(SCreg)
Somme des carrés des
résidus
(SCres)
![Page 43: Frédéric Bertrand ESIEA – 2009/2010irma.math.unistra.fr/~fbertran/enseignement/Estimation...Frédéric Bertrand - ESIEA 2009/2010 10 3. Relation stochastique La plupart des cas](https://reader036.vdocument.in/reader036/viewer/2022071114/5feb91e377c07d5e7c6d9d0d/html5/thumbnails/43.jpg)
5. Variation expliquée et inexpliquée
Mesure du pourcentage de la variation totaleexpliquée par le modèle :Introduction d’un coefficient de détermination
tot
RSCSC
totaleVariation expliquéeVariation reg2 ==
Frédéric Bertrand - ESIEA 2009/201043
![Page 44: Frédéric Bertrand ESIEA – 2009/2010irma.math.unistra.fr/~fbertran/enseignement/Estimation...Frédéric Bertrand - ESIEA 2009/2010 10 3. Relation stochastique La plupart des cas](https://reader036.vdocument.in/reader036/viewer/2022071114/5feb91e377c07d5e7c6d9d0d/html5/thumbnails/44.jpg)
5. Variation expliquée et inexpliquée
Quelques remarques : R2 est compris entre 0 et 1. R2 =1 : cas où les données sont parfaitement alignées
(comme c’est le cas pour un modèle déterministe). R2 =0 : cas où la variation de Y n’est pas due à la
variation de X. Les données ne sont pas du tout alignées.
Plus R2 est proche de 1, plus les données sont alignées sur la droite de régression.
Frédéric Bertrand - ESIEA 2009/2010 44