PARTAGER L’ARTICLE SUR
La régression est un outil statistique qui est exploité dans de nombreuses disciplines différentes pour aider à déterminer la force et l’orientation de la relation entre différentes variables, indépendantes ou dépendantes :
Créez un processus de collecte de commentaires exploitable.
Il existe deux types de régression de base :
Il est important de noter que les régressions susmentionnées sont des méthodes de régression linéaire et ne peuvent pas être utilisées pour des données non linéaires. La régression linéaire consiste à relier des variables à une ligne droite, tandis que la régression non linéaire relie les variables dans une relation non linéaire (courbe). Pour les données et les analyses plus complexes, il existe d’autres méthodes de régression non linéaire.
La régression linéaire simple consiste à utiliser une variable indépendante (x) pour expliquer le résultat de la variable dépendante (y).
La formule de la régression linéaire simple est la suivante :
Y = a + bX + u
Où
Pour comprendre quand l’utilisation appropriée de la régression linéaire, considérons l’exemple suivant :
Si nous devions supposer que la taille était le déterminant singulier du poids corporel, nous pourrions utiliser le modèle de régression linéaire simple pour prédire ou expliquer l’impact d’un changement de taille sur le poids.
La régression linéaire multiple consiste à utiliser deux variables indépendantes (x) ou plus pour expliquer le résultat de la variable dépendante (y).
La formule de la régression linéaire multiple est la suivante :
Y = a + b1X1 + b2X2 + b3X3 + … + btXt + u
La régression linéaire multiple est utilisée lorsqu’une simple régression linéaire ne suffit pas à tenir compte des multiples facteurs réels qui influencent le résultat d’une variable dépendante.
Continuons avec l’exemple précédent impliquant la taille et le poids. De manière réaliste, la taille n’est pas le seul déterminant du poids. Il y a beaucoup de facteurs différents qui influencent le poids d’une personne, tels que l’alimentation et l’exercice et ainsi, un modèle plus réaliste contiendrait plusieurs variables x (variable indépendante).
Obtenez le guide des tendances des études de marché, le guide des sondages en ligne, le guide d’étude de marché agile et le modèle d’étude de marché 5
Le surajustement est une erreur de modélisation qui se produit assez fréquemment dans l’analyse de régression. Elle se produit lorsqu’une fonction ou un modèle est trop complexe pour les données et que trop de paramètres sont estimés à partir d’une taille d’échantillon trop petite. Bien qu’un modèle suradapté puisse bien s’adapter à vos données, il ne s’alignera pas sur des échantillons de test supplémentaires ou sur la population cible globale.
Lorsqu’un modèle est surajusté, ses valeurs p, R-carré et ses coefficients de régression sont susceptibles d’être très trompeurs. Alors, comment pouvons-nous éviter le surajustement ?
Voici quelques façons d’éviter de surajuster vos données :
Découvrez le logiciel d’enquête Voxco en action avec une démo gratuite.
La régression fait référence à l’approche consistant à modéliser la relation entre les variables pour déterminer la force et la direction de leur relation.
Les deux principaux types de régression linéaire sont la régression linéaire simple et la régression linéaire multiple.
La régression linéaire simple consiste à modéliser la relation entre une variable indépendante (x) et une variable dépendante (y). Elle est utilisée lorsqu’une variable dépendante n’a qu’un seul déterminant.
La régression linéaire multiple consiste à modéliser la relation entre deux variables indépendantes (x) et une variable dépendante (y). Elle est utilisée lorsqu’une variable dépendante a plusieurs déterminants.
La régression linéaire consiste à relier des variables à une ligne droite, tandis que la régression non linéaire relie les variables dans une relation non linéaire (courbe).
Read more
Nous utilisons des cookies sur notre site web pour vous offrir la meilleure expérience de navigation et pour adapter la publicité. En continuant à utiliser notre site web, vous nous donnez votre accord pour l'utilisation des cookies. Lire la suite
prénom | Domaine | Objectif | Expiration | Type |
---|---|---|---|---|
hubspotutk | www.voxco.com | HubSpot functional cookie. | 1 year | HTTP |
lhc_dir_locale | amplifyreach.com | --- | 52 years | --- |
lhc_dirclass | amplifyreach.com | --- | 52 years | --- |
prénom | Domaine | Objectif | Expiration | Type |
---|---|---|---|---|
_fbp | www.voxco.com | Facebook Pixel advertising first-party cookie | 3 months | HTTP |
__hstc | www.voxco.com | Hubspot marketing platform cookie. | 1 year | HTTP |
__hssrc | www.voxco.com | Hubspot marketing platform cookie. | 52 years | HTTP |
__hssc | www.voxco.com | Hubspot marketing platform cookie. | Session | HTTP |
prénom | Domaine | Objectif | Expiration | Type |
---|---|---|---|---|
_gid | www.voxco.com | Google Universal Analytics short-time unique user tracking identifier. | 1 days | HTTP |
MUID | bing.com | Microsoft User Identifier tracking cookie used by Bing Ads. | 1 year | HTTP |
MR | bat.bing.com | Microsoft User Identifier tracking cookie used by Bing Ads. | 7 days | HTTP |
IDE | doubleclick.net | Google advertising cookie used for user tracking and ad targeting purposes. | 2 years | HTTP |
_vwo_uuid_v2 | www.voxco.com | Generic Visual Website Optimizer (VWO) user tracking cookie. | 1 year | HTTP |
_vis_opt_s | www.voxco.com | Generic Visual Website Optimizer (VWO) user tracking cookie that detects if the user is new or returning to a particular campaign. | 3 months | HTTP |
_vis_opt_test_cookie | www.voxco.com | A session (temporary) cookie used by Generic Visual Website Optimizer (VWO) to detect if the cookies are enabled on the browser of the user or not. | 52 years | HTTP |
_ga | www.voxco.com | Google Universal Analytics long-time unique user tracking identifier. | 2 years | HTTP |
_uetsid | www.voxco.com | Microsoft Bing Ads Universal Event Tracking (UET) tracking cookie. | 1 days | HTTP |
vuid | vimeo.com | Vimeo tracking cookie | 2 years | HTTP |
prénom | Domaine | Objectif | Expiration | Type |
---|---|---|---|---|
__cf_bm | hubspot.com | Generic CloudFlare functional cookie. | Session | HTTP |
prénom | Domaine | Objectif | Expiration | Type |
---|---|---|---|---|
_gcl_au | www.voxco.com | --- | 3 months | --- |
_gat_gtag_UA_3262734_1 | www.voxco.com | --- | Session | --- |
_clck | www.voxco.com | --- | 1 year | --- |
_ga_HNFQQ528PZ | www.voxco.com | --- | 2 years | --- |
_clsk | www.voxco.com | --- | 1 days | --- |
visitor_id18452 | pardot.com | --- | 10 years | --- |
visitor_id18452-hash | pardot.com | --- | 10 years | --- |
lpv18452 | pi.pardot.com | --- | Session | --- |
lhc_per | www.voxco.com | --- | 6 months | --- |
_uetvid | www.voxco.com | --- | 1 year | --- |