Régression linéaire — définition ?
Modélise une relation linéaire entre y et x.
Modèle y ≈ β0 + β1x — hypothèses ?
Erreurs centrées, homoscédastiques, non corrélées.
Estimateurs MCO — rôle ?
Minimisent la somme des carrés des erreurs.
Propriétés des estimateurs — sans biais ?
Oui, sous certaines hypothèses.
Variance de ˆβ1 — dépend de ?
Dispersion de x et σ².
Interprétation géométrique — projection ?
Projection orthogonale de y sur l’espace span{1,x}.
Mesure d’ajustement — RSS ?
Somme des carrés des résidus.
R2 — définition ?
Proportion de variance expliquée par le modèle.
Évaluation du modèle — indicateurs clés ?
RSS, R², analyse des résidus.
Régression multiple — extension ?
Plusieurs variables explicatives dans le modèle.
Notations vectorielles — rôle ?
Représentent compactement le modèle.
Hypothèses εi — importance ?
Garantissent l’optimalité et l’absence de biais.
Propriété Gauss-Markov — quoi ?
MCO est le BLUE (meilleur estimateur linéaire sans biais).
Variance des estimateurs — influence ?
Plus dispersion xi, meilleure précision.
R2 — valeur maximale ?
1, régression parfaite.
RSS — rôle dans l’évaluation ?
Mesure l’erreur d’ajustement.
Propriété géométrique — résumé ?
Régression comme projection orthogonale.
Erreur εi — hypothèses principales ?
E[εi]=0, Var=σ², εi non corrélées.
Signification de R2 — interprétation ?
Part de variance expliquée par le modèle.
Régression multiple — défi principal ?
Multicolinéarité entre variables explicatives.
Teste tes connaissances avec un QCM de 10 questions sur Introduction à la régression linéaire.
1. Qu'est-ce que la régression linéaire simple ?
2. Quelle est la propriété géométrique fondamentale de la droite de régression estimée par la méthode des moindres carrés dans le modèle linéaire simple ?
Révisez le cours complet dans la fiche de révision de Introduction à la régression linéaire.
Voir la fiche →Importe ton cours et l'IA génère des flashcards en 30 secondes.
Générateur de flashcards