L'analyse de régression est peut-être l'outil de statistiques commerciales le plus important utilisé dans l'industrie. La régression est le moteur d'une multitude d'applications d'analyse de données utilisées pour de nombreuses formes de prévision et de prédiction.

Il s'agit du quatrième cours de la spécialisation "Statistiques et analyses commerciales". Le cours vous présente l'outil très important qu'est la régression linéaire. Vous apprendrez à appliquer diverses procédures telles que les régressions de variables fictives, la transformation de variables et les effets d'interaction. Toutes ces procédures sont présentées et expliquées à l'aide d'exemples faciles à comprendre dans Microsoft Excel. Le cours met l'accent sur la compréhension et l'application, plutôt que sur des dérivations mathématiques détaillées. Remarque : ce cours utilise la boîte à outils "Analyse des données" qui est standard avec la version Windows de Microsoft Excel. Elle est également standard avec la version 2016 ou ultérieure d'Excel pour Mac. Cependant, elle n'est pas standard avec les versions antérieures d'Excel pour Mac. SEMAINE 1 Module 1 : Analyse de régression : Introduction Dans ce module, vous serez initié au modèle de régression linéaire. Nous construirons un modèle de régression et l'estimerons à l'aide d'Excel. Nous utiliserons le modèle estimé pour déduire les relations entre les différentes variables et utiliser le modèle pour faire des prédictions. Le module introduit également la notion d'erreurs, de résidus et de R-carré dans un modèle de régression. Les sujets abordés sont les suivants : - Introduction à la régression linéaire - Construction d'un modèle de régression et estimation à l'aide d'Excel - Déductions à l'aide du modèle estimé - Utilisation du modèle de régression pour faire des prédictions - Erreurs, résidus et R-carré SEMAINE 2 Module 2 : Analyse de régression : tests d'hypothèse et qualité de l'ajustement Ce module présente différents tests d'hypothèse que vous pouvez effectuer à l'aide de la sortie de régression. Ces tests constituent une partie importante de l'inférence et le module les présente à l'aide d'exemples basés sur Excel. Les valeurs p sont introduites ainsi que les mesures de qualité d'ajustement R-carré et R-carré ajusté. Vers la fin du module, nous introduisons la "régression par variable muette" qui est utilisée pour incorporer des variables catégorielles dans une régression. Les sujets abordés sont les suivants : - Tests d'hypothèse dans une régression linéaire - Mesures d'ajustement (R-carré, R-carré ajusté) - Régression à variables fictives (utilisation de variables catégorielles dans une régression) SEMAINE 3 Module 3 : Analyse de régression : Variables fictives, multicolinéarité Ce module continue avec l'application de la régression des variables fictives. Vous comprendrez l'interprétation des résultats de la régression en présence de variables catégorielles. Des exemples sont élaborés pour renforcer les différents concepts introduits. Le module explique également ce qu'est la multicolinéarité et comment la traiter. Les sujets abordés sont les suivants : - Régression avec variables fictives (utilisation de variables catégorielles dans une régression) - Interprétation des coefficients et des valeurs p en présence de variables fictives - Multicollinéarité dans les modèles de régression SEMAINE 4 Module 4 : Analyse de régression : Diverses extensions Le module élargit votre compréhension de la régression linéaire, en introduisant des techniques telles que le centrage moyen des variables et la construction de limites de confiance pour les prédictions à l'aide du modèle de régression. Une puissante extension de régression connue sous le nom de "variables d'interaction" est introduite et expliquée à l'aide d'exemples. Nous étudions également la transformation des variables dans une régression et, dans ce contexte, nous introduisons les modèles de régression log-log et semi-log. Les sujets abordés sont les suivants : - Centrage moyen des variables dans un modèle de régression - Construction de limites de confiance pour les prédictions utilisant un modèle de régression - Effets d'interaction dans une régression - Transformation des variables - Les modèles de régression log-log et semi-log