Statistiques de régression

PARTAGER L’ARTICLE SUR 

Statistiques de régression Statistiques de régression
Table des matières

Qu’est-ce que la régression ?

Les statistiques de régression sont couramment utilisées pour déterminer la relation entre les variables indépendantes notées par x et les variables dépendantes notées par y sur un graphique. 

En plus de simplement dire la relation, l’analyse de régression détermine également la force de la relation qui se trouve entre les deux variables. La variable indépendante est un facteur dans le cas où change fréquemment et qui affecte directement une variable dépendante qui est l’intérêt de l’étude. 

Exemple : Vous décidez d’étudier la relation entre les habitudes alimentaires de malbouffe des gens et leur poids. 

Ici, les habitudes alimentaires de la malbouffe des gens sont variables indépendantes et le poids est une variable dépendante. Comme les gens mangent plus de malbouffe, ils ont tendance à prendre plus de poids. Par conséquent, nous pouvons dire qu’à mesure que la valeur de la variable indépendante augmente, la valeur de la variable dépendante augmente également. 

La relation ci-dessus peut être notée dans la représentation graphique : 

Statistiques de régression Statistiques de régression

Dans le diagramme ci-dessus, les nuages de points ne sont rien d’autre que des données collectées à partir d’un ensemble d’échantillons. La relation s’avère être une régression linéaire, car la variable indépendante et la variable dépendante augmentent ensemble. 

Droite du meilleur ajustement – c’est une droite qui traverse les nuages de points couvrant la majeure partie de celui-ci. il n’est pas nécessaire de couvrir tous les points, bien que ce ne soit pas possible, aussi près que les points soient de la droite du meilleur ajustement, plus les variables sont fortement liées les unes aux autres. 

Guide de recherche exploratoire

Mener des recherches exploratoires semble délicat, mais un guide efficace peut aider. 

Calcul de l’analyse de régression ?

L’analyse de régression commence à se dérouler sur la base du modèle de régression : 

Y = a + b1X1 +…+ βkXk + e 

Où, Y est et X1, X2, … Xk sont les variables exploratoires qui affectent Y. ε est une variable résiduelle qui est l’effet composite des différences individuelles. 

Outre le modèle de régression, l’analyste peut également prendre l’aide de certains changements observés dans la variable dépendante et les variables indépendantes dans un échantillon d’une population. 

En conséquence, l’analyse de régression donne des variables d’estimation notées par β1, β2, … βk. Ces estimations sont dérivées des valeurs du coefficient qui s’additionnent à la moyenne résiduelle 0. L’écart-type de ces résidus est très faible. 

L’équation de prédiction du résultat résumé ressemble à ceci : 

Ypred = a + b1X1 + … + bkXk 

Découvrez le logiciel d’enquête Voxco en action avec une démo gratuite.

Pourquoi utiliser l’analyse de régression?

Il est maintenant assez évident que les statistiques de régression peuvent prédire le comportement de la variable dépendante en fonction des changements dans sa variable indépendante correspondante. En dehors de cela, il prédit également la valeur d’une variable dépendante. 

  • Dans les organisations, les statistiques de régression peuvent être utilisées pour déterminer les ventes et les finances de l’entreprise. 
  • Il peut vous donner des chiffres sur les progrès de vos départements et vous aider à prendre de meilleures décisions pour l’organisation. 
  • Il vous aide à comprendre les besoins et les fournitures des ressources qui entrent et sortent de votre entreprise. 
  • Vous pouvez déterminer comment diverses variables s’affectent les unes les autres et comment elles sont liées les unes aux autres. 
  • Outre les ventes et les finances, les pratiques statistiques de régression peuvent vous aider à comprendre les performances des clients. 
  • Vous pouvez découvrir pourquoi les clients rencontrent des problèmes similaires avec votre marque, prédire comment ils réagiront à une certaine décision. 

Vous pouvez évaluer toutes sortes de modèles et de changements dans l’organisation et déterminer à l’avance les résultats de décisions et de processus particuliers.