QCM : Analyse des réseaux et modélisation statistique — 11 questions

Explication

La régression linéaire simple est une méthode statistique permettant d’expliquer une variable quantitative 𝑌 par une autre variable quantitative 𝑋, en utilisant un modèle linéaire de la forme Y = aX + b + ε, ce qui correspond à l'option qui décrit une relation linéaire entre deux variables quantitatives.

Explication

La formulation H0 : r=0 est généralement attribuée à Karl Pearson, qui a développé le test de corrélation et ses hypothèses associées, mentionnées dans le contexte comme étant la base pour tester la significativité du coefficient de corrélation.

Explication

Le coefficient a indique l’effet unitaire de X sur Y dans un modèle de régression, c’est-à-dire combien Y change en moyenne pour une augmentation d’une unité de X, en tenant compte d’autres variables si présentes. La corrélation r, quant à elle, mesure la force et la direction de la relation linéaire entre X et Y, indépendamment d’un modèle spécifique. Leur différence essentielle réside donc dans le fait que a est une mesure d’effet dans un modèle précis, alors que r reflète la force globale de la relation.

Explication

Le test de significativité du coefficient de corrélation permet de confirmer si la relation entre X et Y est statistiquement significative, ce qui est une étape essentielle pour valider la pertinence d'inclure cette relation dans le modèle. La p-value inférieure à 5% indique une relation linéaire non due au hasard, justifiant la construction du modèle.

Explication

La régression linéaire multiple est présentée dans le contenu comme une extension de la régression simple, permettant d'incorporer plusieurs variables explicatives. La formule générale et la description apparaissent dans la section dédiée à cette étape (point 5) du contenu, ce qui correspond à l'introduction spécifique de cette extension dans le cours.

Explication

La sélection des variables vise à réduire la complexité du modèle en éliminant les variables redondantes ou non significatives, ce qui augmente la stabilité, la fiabilité et l’interprétabilité du modèle.

Explication

La validation du modèle inclut la vérification que les résidus suivent une loi normale, ce qui est testé notamment par le test de Shapiro-Wilk. Cette étape est essentielle pour confirmer que les hypothèses statistiques du modèle sont respectées, garantissant la fiabilité des inférences. Les autres options concernent d’autres aspects du modèle mais ne constituent pas la caractéristique principale de validation évoquée dans la source.

Explication

La régression logistique utilise la transformation logarithmique du rapport entre la probabilité que l’événement se produise et celle qu’il ne se produise pas, appelée logit, pour modéliser la relation entre la probabilité et les variables explicatives.

Explication

Dans le cas d’échantillons appariés, la méthode consiste à calculer la différence pour chaque paire d’observations, puis à tester si la moyenne de ces différences est significativement différente de zéro à l’aide d’un test t pour échantillons appariés. Cela permet d’évaluer si la condition ou le moment étudié a un effet significatif.

Explication

Un graphe est une structure composée de deux ensembles : V, l’ensemble des sommets ou nœuds, et E, l’ensemble des arêtes ou liens entre ces nœuds. Cette définition est fondamentale en analyse de réseaux, car elle permet de représenter la connectivité et la configuration du réseau.

Explication

L'algorithme de Louvain a été formulé par Vincent D. Blondel et ses collègues en 2008. Bien que la source ne donne pas cette information explicitement, cette attribution est la connaissance reconnue dans la littérature sur la détection de communautés dans les réseaux sociaux.