Quelle est la forme du modèle linéaire multiple ?
Quelles sont les propriétés des erreurs dans le modèle linéaire multiple ?
Elles sont centrées, indépendantes, identiquement distribuées avec variance .
Comment s'écrit le modèle linéaire sous forme vectorielle ?
avec une matrice augmentée d'une colonne de 1.
Que minimise l'estimateur des moindres carrés ordinaires (MCO) ?
La somme des carrés des résidus.
Quelle est la formule de l'estimateur MCO ?
Quelle condition permet d'inverser pour calculer l'estimateur MCO ?
doit être inversible.
Quelle est la formule explicite de l'estimateur MCO si est inversible ?
Quelle propriété d'estimateur possède l'estimateur MCO parmi les estimateurs linéaires sans biais ?
Il possède la variance minimale.
Quelle est la formule de la variance de l'estimateur MCO ?
Quel effet a une forte colinéarité entre régresseurs sur la variance de l'estimateur MCO ?
Elle rend la variance importante.
Quel impact la multicolinéarité a-t-elle sur les prévisions de l'estimateur MCO ?
Elle dégrade les prévisions.
Quelle est la valeur de la corrélation entre taux de goudron et taux de nicotine dans le jeu cigarette ?
0,96
Quelles sont les normes utilisées pour des variables centrées et réduites ?
Les normes et .
Comment se calcule la constante MCO lorsque les variables explicatives sont centrées ?
Elle est égale à la moyenne de la réponse.
Comment s'estime les pentes avec des variables explicatives centrées ?
Sans terme de centrage supplémentaire.
Quelle est la condition sur les variables explicatives dans la suite du cours ?
Elles sont centrées et réduites.
Quelle est la condition sur la variable réponse dans la suite du cours ?
Elle est centrée.
Pourquoi la constante n’est-elle pas modélisée dans la suite du cours ?
Parce que les variables explicatives sont centrées et réduites et la réponse est centrée.
Qu'ajoute la régression Ridge au critère des moindres carrés ?
Une contrainte sur la norme euclidienne des coefficients.
Quelle est la formule mathématique de l'estimateur Ridge ?
.
Que se passe-t-il si le seuil t dépasse ?
L'estimateur Ridge coïncide avec l'estimateur MCO.
Quel estimateur obtient-on pour t=0 en régularisation Ridge ?
Un estimateur nul.
Quel est l'effet de la régularisation Ridge sur les coefficients estimés ?
Elle réduit leurs plages de valeurs pour limiter leur dépendance aux données.
Quelle est la formulation pénalisée de l'estimateur Ridge ?
avec .
Quelle est la solution explicite de l'estimateur Ridge ?
.
Pourquoi la matrice est-elle inversible pour ?
Parce que est toujours inversible même si ne l'est pas.
Quelle propriété garantit l'existence de l'estimateur Ridge ?
L'inversibilité de pour garantit son existence.
L'estimateur Ridge est-il biaisé ?
Oui, il est biaisé.
Quelle est l'espérance de l'estimateur Ridge ?
.
Comment la variance de l'estimateur Ridge se compare-t-elle à celle des MCO ?
La variance de Ridge est inférieure à celle des MCO lorsque ceux-ci existent.
Quelle est la formule du critère de validation croisée généralisée GCV(λ) ?
Comment s'exprime la matrice dans le critère GCV ?
Quelle méthode choisit la pénalité optimale en utilisant GCV ?
On évalue GCV sur une grille et on retient la valeur qui minimise ce critère.
Quelle est l'erreur de prévision du modèle complet dans le jeu de données cigarette ?
L'erreur de prévision est de 1,312.
Quelle erreur de prévision obtient le modèle réduit sur le jeu de données cigarette ?
L'erreur de prévision est de 1,155.
Quelle est l'erreur de prévision du modèle Ridge dans le jeu de données cigarette ?
L'erreur de prévision est de 1,302.
Qui a proposé le critère de validation croisée généralisée pour choisir un bon paramètre de Ridge ?
Golub et al., dans "Generalized cross-validation as a method for choosing a good ridge parameter", 1979.
Comment s'écrit la décomposition SVD d'une matrice X ?
avec U colonnes orthonormées, D diagonale, V orthogonale.
Que donne la décomposition SVD pour ?
.
Que représentent les valeurs diagonales de D en SVD ?
Les racines carrées des valeurs propres de .
Comment s'écrit l'inverse avec la SVD ?
.
Que revient à inverser dans ?
Inverser une matrice diagonale.
Comment s'écrit la matrice de lissage ?
.
Quelle est la forme de dans la matrice de lissage ?
.
Quelle formule donne le coefficient Ridge en fonction de et ?
Comment s'exprime le coefficient intercept Ridge ?
Quelle est la première étape pratique dans la mise en œuvre de la régression Ridge ?
Calculer les moyennes et écarts-types des variables.
Que fait-on après avoir centré-réduit les variables dans la régression Ridge ?
On estime Ridge sur ces données centrées-réduites.
Que fait-on après avoir estimé Ridge sur les données centrées-réduites ?
On transforme les coefficients vers les unités originales.
Quelle différence principale existe entre la régression Ridge et une sélection de variables ?
Ridge conserve tous les régresseurs même corrélés, la sélection en élimine certains.
Que fournit la régression Ridge lorsque le nombre de régresseurs dépasse la taille de l’échantillon ?
Une solution unique que MCO ne peut pas fournir.
Teste tes connaissances avec un QCM de 23 questions sur Régression linéaire Ridge.
1. Comment sélectionne-t-on une pénalité Ridge à l’aide de la validation croisée généralisée ?
2. Quelle contrainte caractérise la formulation contrainte de la régression Ridge ?
Révisez le cours complet dans la fiche de révision de Régression linéaire Ridge.
Voir la fiche →Importe ton cours et l'IA génère des flashcards en 30 secondes.
Générateur de flashcards