0,50
0,30
0,10
0,01
R : Le coefficient de corrlation mesure la force de la relation entre deux variables.
R2 ou R-Deux : Mesure la part explique de la variable dpendante par la variance de la variable
indpendante.
Exemple : Variable dpendante : Rendement
Variable indpendante : Motivation.
Si R2 est gale 0,76 veut dire que 76% de la variance du rendement est explique par la variance de la motivation.
R
R
R
R
R
R
0,70
0,69
0,49
0,29
0,09
0,00
Relation trs forte
Relation forte
Relation modre
Relation faible
Relation trs faible
Relation nulle
Pr. BOULAHOUAL Adil
Rsum : RLS
ETAPE DE LA REGRESSION LINEAIRE SIMPLE
1- La spcification du modle consistant tracer le nuage de point - dit encore diagramme de dispersion - et souponner lexistence et le
type de la relation entre les deux variables.
Procdure sous SPSS : Analyse Rgression Ajustement de fonction.
3- Lestimation des paramtres 0 et 1 : Autrement calculer la b0 et la b1 .
Deux types d'estimations existent : Des estimations ponctuelles et dautres par intervalle de confiance.
Procdure sous SPSS : Analyse Rgression Linaire Statistiques Estimation Intervalle de confiance.
N.B : Pour le modle linaire simple, lorsquil est valid par lanalyse de la variance nous navons pas tester les hypothses car doffice la
signification de la variable indpendante serait infrieure au seuil choisi. De plus, si lintervalle de confiance de la 0 contient la valeur zro(0)
ceci ninfluence en aucun cas lexistence de relation entre la variable explicative et explique, autrement la fonction
y= 0+ 1x
deviendrait
y= 1x .
Par contre si lintervalle de la 1 contient la valeur zro, la fonction scrirait y= 0 ce qui veut dire quil nexiste pas de lien entre la variable x
et la y.
Chapitre I : rgression linaire simple rsum
2- La validation du modle se fait travers plusieurs indicateurs et nous retenons lanalyse de la variance(ANOVA)
Rgle de dcision : Si la signification de lANOVA est infrieure au seuil choisi () nous acceptons le modle, autrement nous confirmons
lexistence de relation entre la variable expliquer et la variable explicative.
Procdure sous SPSS : Analyse Rgression Linaire Statistiques Qualit de lajustement.
N.B : Dans le cas de la rgression linaire simple, la signification de la variable explicative et la signification de lANOVA sont gales.
Modle
rendement au seuil de confiance de 95% nous avons opt pour une rgression
linaire simple entre ces deux variables et nous avons obtenu les tableaux
suivants :
R-deux
R-deux ajust
Erreur standard de
l'estimation
,837a
,700
,691
186,174
a. Valeurs prdites : (constantes), REVENU
Pr. BOULAHOUAL Adil
Rcapitulatif des modles
Exercice dapplication : Voulons vrifier limpact du revenu sur le
R = 0,837 : La relation entre le rendement et le revenu est trs forte.
R2 = 0,700 : 70% de la variance du rendement est explique par la variance de la motivation.
a
ANOVA
Modle
Somme des carrs
ddl
Moyenne des carrs
Sig.
Rgression
2592523,203
2592523,203
74,797
,000b
Rsidu
1109145,033
32
34660,782
Total
3701668,235
33
a. Variable dpendante : RENDEMENT
b. Valeurs prdites : (constantes), REVENU
Le modle linaire exprimant le rendement en fonction de la constante et du revenu doit tre retenu puisque la signification de lANOVA
(0,000) est largement inferieur au seuil de signification fix au dpart (0,05).
Modle
Coefficients non standardiss
Coefficients
Sig.
Statistiques
95,0% % intervalles de confiance pour B
standardiss
A
Erreur standard
(Constante)
-425,163
124,930
REVENU
,259
,030
a. Variable dpendante : RENDEMENT
Bta
,837
Borne infrieure
Limite suprieure
-3,403
,002
-679,636
-170,689
8,649
,000
,198
,320
RENDEMENT
REVENU
334,921
1082,228
Ecarttype
La b1 est gale -425,163 et la b0 est gale 0,259, et au niveau de confiance de 95% : - 679,636 0 - 170,689 et 0,198 1 0, 320
La relation entre le rendement et le revenu peut-tre crite comme suit :
Selon la vision mdiane : Le rendement = - 425,163 + 0,259 * le revenu
Selon la vision pessimiste : Le rendement = - 679,636 + 0,198* le revenu
Selon la vision optimiste : Le rendement = - 170,689 + 0,320* le revenu
Nous pouvons dire encore que lorsque le revenu augmente de 1082,228 le rendement augmente de 334,921*0,837.
Chapitre I : rgression linaire simple rsum
Coefficients
