Régression linéaire : Fondements

Cette séance de cours couvre les concepts fondamentaux de régression linéaire, y compris l'introduction aux moindres carrés ordinaires, les bases du modèle de régression linéaire et le modèle de régression linéaire au-delà des bases. Elle se décline en sujets tels que l'hétéroskédasticité, l'autocorrélation, les variables instrumentales et les moindres carrés généralisés. La séance de cours traite également de la théorie de l'estimation maximale de la probabilité et de ses applications, ainsi que de l'analyse de séries chronologiques univariées et multivariées. Des conseils pratiques pour l'application de l'économétrie dans les scénarios du monde réel sont également fournis.

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Séances de cours associées (697)

Concepts associés (146)

The course covers basic econometric models and methods that are routinely applied to obtain inference results in economic and financial applications.

Régression linéaire

En statistiques, en économétrie et en apprentissage automatique, un modèle de régression linéaire est un modèle de régression qui cherche à établir une relation linéaire entre une variable, dite expliquée, et une ou plusieurs variables, dites explicatives. On parle aussi de modèle linéaire ou de modèle de régression linéaire. Parmi les modèles de régression linéaire, le plus simple est l'ajustement affine. Celui-ci consiste à rechercher la droite permettant d'expliquer le comportement d'une variable statistique y comme étant une fonction affine d'une autre variable statistique x.

Régression logistique

En statistiques, la régression logistique ou modèle logit est un modèle de régression binomiale. Comme pour tous les modèles de régression binomiale, il s'agit d'expliquer au mieux une variable binaire (la présence ou l'absence d'une caractéristique donnée) par des observations réelles nombreuses, grâce à un modèle mathématique. En d'autres termes d'associer une variable aléatoire de Bernoulli (génériquement notée ) à un vecteur de variables aléatoires . La régression logistique constitue un cas particulier de modèle linéaire généralisé.

Generalized least squares

In statistics, generalized least squares (GLS) is a method used to estimate the unknown parameters in a linear regression model when there is a certain degree of correlation between the residuals in the regression model. Least squares and weighted least squares may need to be more statistically efficient and prevent misleading inferences. GLS was first described by Alexander Aitken in 1935. In standard linear regression models one observes data on n statistical units.

Méthode des moindres carrés ordinaire

vignette|Graphique d'une régression linéaire La méthode des moindres carrés ordinaire (MCO) est le nom technique de la régression mathématique en statistiques, et plus particulièrement de la régression linéaire. Il s'agit d'un modèle couramment utilisé en économétrie. Il s'agit d'ajuster un nuage de points selon une relation linéaire, prenant la forme de la relation matricielle , où est un terme d'erreur.

Modèle linéaire généralisé

En statistiques, le modèle linéaire généralisé (MLG) souvent connu sous les initiales anglaises GLM est une généralisation souple de la régression linéaire. Le GLM généralise la régression linéaire en permettant au modèle linéaire d'être relié à la variable réponse via une fonction lien et en autorisant l'amplitude de la variance de chaque mesure d'être une fonction de sa valeur prévue, en fonction de la loi choisie.

Régression linéaire : Fondements FIN-403: Econometrics

Couvre les bases de la régression linéaire, des variables instrumentales, de l'hétéroscédasticité, de l'autocorrélation et de l'estimation du maximum de vraisemblance.

Régression linéaire : Inférence statistique et régularisation PHYS-467: Machine learning for physicists

Couvre le modèle probabiliste de régression linéaire et l'importance des techniques de régularisation.

Estimation des moindres carrés pondérés : Algorithme IRLS MATH-413: Statistics for data science

Explore l'algorithme IRLS pour l'estimation pondérée des moindres carrés dans GLM.

Paradoxe bus rouge/bus bleu

Explore le paradoxe du bus rouge/bus bleu, les modèles de logit imbriqués et les modèles multivariés d'extrême valeur dans le transport.

Critères de sélection du modèle : AIC, BIC, Cp MATH-413: Statistics for data science

Explore les critères de sélection des modèles comme l'AIC, le BIC et le Cp en statistique pour la science des données.