BIO 4518: Biostatistiques appliquées Le 8 novembre 2005 Laboratoire 8 Regressions multiples.

Slides:



Advertisements
Présentations similaires
Corrélation Position du problème Définition covariance (X,Y) r =
Advertisements

Association entre variables
La régression logistique: fondements et conditions d’application
C1 Bio-statistiques F. KOHLER
Tests non paramétriques
5 La Loi de Laplace Gauss ou loi Normale
Laboratoire Inter-universitaire de Psychologie Cours 6
Laboratoire Inter-universitaire de Psychologie
Programmes de calculs en 3ème
1 Statistiques Séance 5 – 9 Nov Résumé séance précédente Lécart-type σ ou s. Comment le calculer? Les propriétés numériques de la courbe normale.
Corrélation linéaire et la droite de régression

La Régression Multiple
Structure de causalité bivariée
Régression linéaire simple
L’Analyse de Covariance
Corrélation et régression linéaire simple
L’Analyse de Variance 1 Généralités Le modèle Calculs pratiques
Modeles Lineaires.
Toutes les variables étaient mesurées au niveau intervalle et sans erreur Toutes les variables étaient mesurées au niveau intervalle et sans erreur ->
Le test t.
Lanalyse de la covariance. X y ANOVA Lanalyse de la covariance y X ANOVA.
La corrélation et la régression
Les modèles linéaires (Generalized Linear Models, GLM)
Analyse de variance à un critère de classification (ANOVA)
Corrélation Principe fondamental d’une analyse de corrélation
Université dOttawa - Bio Biostatistiques appliquées © Antoine Morin et Scott Findlay :08 1 Régression multiple Quand et pourquoi on.
Comparaison de deux échantillons
Le comportement des coûts Chapitre 3
Le processus scientifique
Cette présentation vous donnera des renseignements sur le procédé d'application. Si vous avez des questions après avoir regardé cette présentation, veuillez.
La régression multiple
STATISTIQUES COURS 4 La régression. Nous avons vu divers tests statistiques afin de vérifier le degré d ’interdépendance entre 2 variables Test.
Régression linéaire multiple : hypothèses & interprétation. Partie 2.
Régression linéaire multiple : hypothèses & interprétation
Régression linéaire multiple : hypothèses & tests. Partie 3.
Méthodes de Biostatistique
2. Modèles linéaires.
Formation Power Point Pour ouvrir le logiciel, faire démarrer, programme et Power Point Vous aurez 4 choix 1- Assistant sommaire automatique 2- Modèle.
BIO 4518: Biostatistiques appliquées Le 4 octobre 2005 Laboratoire 3 ANOVA à un critère de classification.
Lien entre deux variables
Séance 8 30 novembre 2005 N. Yamaguchi
Régression linéaire simple
1 BIO 4518: Biostatistiques appliquées Le 1er novembre 2005 Laboratoire 7 ANCOVAs (Analyse de covariance)
BIO 4518: Biostatistiques appliquées Les 11 et 18 octobre 2005 Laboratoire 4 et 5 ANOVA à critères multiples.
Comparaison de deux échantillons
BIO 4518: Biostatistiques appliquées Le 25 octobre 2005 Laboratoire 6 Corrélation linéaire et régression linéaire simple.
Université d’Ottawa - Bio Biostatistiques appliquées © Antoine Morin et Scott Findlay :52 1 Comparaisons multiples Ce qu’elles sont.
Tests d’ajustement à une distribution théorique
Université d’Ottawa - Bio Biostatistiques appliquées © Antoine Morin et Scott Findlay :51 1 Messages 1er décembre: date limite pour.
L’erreur standard et les principes fondamentaux du test de t
Analyse de variance à un critère de classification (ANOVA)
Méthode des moindres carrés (1)
Méthodes de Biostatistique Chapitre 9 Tests Nonparamétriques.
Université d’Ottawa - Bio Biostatistiques appliquées © Antoine Morin et Scott Findlay :57 1.
Révision des concepts fondamentaux
Test de signification d’une ANOVA à deux critères de classification: sans réplication, modèle I, plan factoriel Tester CMeffet sur CMerreur... … mais,
Quelques commentaires sur les tests statistiques
Université d’Ottawa - Bio Biostatistiques appliquées © Antoine Morin et Scott Findlay :36 1 Tableaux de contingence et modèles log-
Modèle linéaire Relation entre une variable expliquée Y (par exemple le salaire), et p variables explicatives X j, j = 1, …, p (par exemple, p = 5, X 1.
Université d’Ottawa - Bio Biostatistiques appliquées © Antoine Morin et Scott Findlay :34 1 Les modèles linéaires (Generalized Linear.
Université d’Ottawa - Bio Biostatistiques appliquées © Antoine Morin et Scott Findlay :15 1 GLM Exemples.
Université d’Ottawa - Bio Biostatistiques appliquées © Antoine Morin et Scott Findlay :47 1 Comparaison de deux échantillons Principes.
Université d’Ottawa - Bio Biostatistiques appliquées © Antoine Morin et Scott Findlay :26 1 Régression multiple Quand et pourquoi on.
Régression linéaire (STT-2400)
Statistiques à 2 variables
MENU 1 Hypothèses du modèle linéaire YO = YT + e 2 blocs d’hypothèses -Sur les relations entre les variables -Sur le comportement de la variable aléatoire.
© Promaintech Novaxa – Tous droits d’utilisation réservés Corrélation et régression linéaire Introduction à la statistique industrielle.
Chapitre 12 Des modeles corrélationnelles. A la fin de ce chapitre on sera capable de:  definir le but et l’utilisation des modeles correlationnelles.
Jean Gaudart1 Détection de clusters spatiaux d'évènements Jean Gaudart Labo. Biostatistiques Faculté de Médecine de Marseille.
Transcription de la présentation:

BIO 4518: Biostatistiques appliquées Le 8 novembre 2005 Laboratoire 8 Regressions multiples

Les différentes analyses… La régression multiple permet de quantifier l’effet de plusieurs variables indépendantes continues sur une variable dépendante continue

Les conditions d’application (que vous devriez normalement faire….) Les résidus sont indépendants (visuel) Les résidus sont homoscédastiques (visuel) Linéarité des relations entre Y et tous les X (visuel) Pas d’erreur de mesure sur les variables indépendantes (expérience) Les résidus sont distribués normalement (test de KS)

Attention à la multicolinéarité Lorsque les variables indépendantes sont corrélées Pour détecter la multicolinéarité vous pouvez commencer par faire des matrices de corrélation entre vos variables indépendantes

(Densité des routes) (Forêts près des marais) Variable dépendante (Superficie) Exemple de multicolinéarité:

Construction des modèles: Manuellement (p ) Pas à pas (stepwise) (p.235) Agglomérative (forward): ajout de variable une à une (p. 236) Rétrograde (Backward): retrait de variable une à une (p.238) Utilisent la statistique Cp. Si un terme a un Cp plus bas que le modèle de départ, le terme est enlevé. Petit détail technique: Page 233: Écrire la commande Mregdat$ en minuscules et non en majuscules tel qu’indiqué dans le manuel