La corrélation et la régression

Présentation au sujet: "La corrélation et la régression"— Transcription de la présentation:

1 La corrélation et la régression

2 Mesure de la relation entre deux variables
2 variables sont prises en considération simultanément Ex. Résultats en français et en mathématique Couleur d’une auto et le nombre d’accidents Attention, ce n’est jamais un indice de cause à effet -> manipulations expérimentales La relation est décrite par le coefficient de corrélation (r) Il varie entre -1 et 1: 1 (ou -1) = relation parfaite 0 = absence de relation Il existe donc trois cas possibles: Relation positive : x augmente; y augmente Relation négative : x diminue; y augmente Absence de relation: x augmente (ou diminue); y ne change pas

3 Exemples de relation

4 Exemples de relation

5 Exemple

6 Exemple Mesure la direction et la grandeur de la relation

7 Note

8 Exemple Comme on ne peut pas comparer des mesures de covariances entrent-elles, il faut la standardiser.

9 Coefficient de détermination
Variance commune = 0 % x y Variance commune = 25 % x y Variance commune = 80 % x y

10 Exemple 77% de la variance en y peut être expliquée par la variance en x Exemple 2 (SAT) 36% de la variance de la réussite universitaire peut être expliquée par la variance du score au SAT

11 Coefficient de corrélation erronés
Restriction de l’étendue: diminue la corrélation

12 Coefficient de corrélation erronés
Utilisation de groupes extrêmes: augmente la corrélation r = 0.75 L H

13 Coefficient de corrélation erronés
Utilisation de groupes extrêmes: augmente la corrélation r = 0.50 L H x

14 Coefficient de corrélation erronés
Combiner des groupes: augmente ou diminue la corrélation r2 = 0 r1 > 0 r1 = 0 r2 > 0 r2 > 0 r1 > 0

15 Coefficient de corrélation erronés
Score extrême: augmente ou diminue la corrélation x x x x x x x x x x x x x x x x x x x

16 Coefficient de corrélation erronés
Relation non linéaire: diminue la corrélation

17 Note Même si le coefficient de corrélation est celui rapporté, il n’est pas un estimateur non biaisé de la corrélation dans la population. Plus, l’échantillon est petit, plus le biais sera grand. Pour corriger la situation, le coefficient de corrélation ajusté est calculé.

18 Inférence

19 Inférence L’hypothèse émise est que la corrélation entre x et y est nulle dans la population. Autrement dit, on cherche à savoir si x et y sont linéairement indépendants. Si on rejette cette hypothèse, alors cela indique que les populations ne sont pas indépendantes et qu’il existe une relation linéaire entre les deux.

20 Exemple Comme le tobs >tcrit (3.209>3.182) on rejette H0 et on accepte H1. Les 2 populations sont donc dépendantes.

21 Régression linéaire

22 Régression linéaire On veut une relation fonctionnelle entre 2 variables et non seulement un indice d’association Autrement dit, on veut être en mesure de faire de la prédiction y1 Rappel des caractérisiques (pente, constante) de l’équation d’une droite x1

23 Les paramètres de la droite de régression
Si on remplace b0

24 Note On sait que Si on remplace la covariance par sa valeur

25 Exemple 2

26 Exemple 2

27 Prédiction À partir de l’équation de régression, il est possible de faire des prédiction Ex. 1 Si x = 7.5, que vaut ?

28 Prédiction De façon similaire on peut prédire x à partie de y
Ex. 2 Si y = 9.65, que vaut ?

29 Prédiction Enfin! Ex. 3 Si x = 3, que vaut ? Or, (x,y) => (3,2). Donc, la prédiction commet une certaine erreur

30 Erreur type de la régression
La différence entre la droite de régression constitue l’erreur de prédiction à partir de x.

31 Note Pour des grands échantillons

32 Intervalles de confiance
Prédiction à partir d’un nouveau score L’erreur type est un estimé de l’erreur totale. Cependant il n’est pas un bon estimé pour la prédiction d’un x donné. En effet, l’estimation de l’erreur sera petite lorsque x est près de la moyenne et plus grande lorsqu’il est loin de la moyenne.

33 Intervalles de confiance
Prédiction à partir d’un nouveau score Exemple xnew= 7.5 pour un IC de 95%

34 Relation entre le test t et la corrélation

35 Groupes indépendants Variabilité dans l’estimation des paramètres (erreur type) a c b Par Pythagore Si on remplace « a » par sa valeur

36 Groupes dépendants Variabilité dans l’estimation des paramètres (erreur type) c a q b Par la loi du Cosinus Si on remplace « a » par sa valeur

37 Groupes dépendants