Rappel de notions statistiques

Ce cours fera un survol de quelques notions de statistique qui seront importantes

pour les cours subséquents.
• Le concept des moindres carrés
• Les tests statistiques
• Tests Paramétrés
• Tests non-paramétrés 𝛾 = 𝛽0 + 𝛽1 𝑥 + 𝜀
• Les modèles linéaires
• Les données ordinales / catégoriques
• Les modèles binomiales et les odds ratio
• Les modèles généralisés

1
 Modèles linéaires
Les modèles linéaires sont des modèles statistiques utilisés pour aider à expliquer les
tendances dans nos données, faire des tests d’hypothèse ou inférer des valeurs
inconnus.
• Nécessitent l’estimation de plusieurs paramètres.

𝛾 = 𝛽0 + 𝛽1 𝑥 + 𝜀

Variable Origine Pente Erreur statistique

Dépendante (intercept, un paramètre) (slope, un autre paramètre) (résidu)

2
 Modèles linéaires
Illustrons les concepts fondamentaux avec un exemple simple.

Age (années) Expression EGFR 𝛾 = 𝛽0 + 𝛽1 𝑥 + 𝜀

18 550
21 505
33 481
28 475
42 317
66 86

Afin d’être en mesure de modéliser nos données, on doit estimer des paramètres (𝛽0
et 𝛽1 ). La méthode la plus utilisée pour estimer les paramètres en statistique c’est la
méthode des moindres carrés. 3
 Moindre carrés (least-squared)
Si on trace une droite arbitraire, la distance verticale entre chacun des points et la
droite correspond à l’erreur statistique (epsilon / résiduel).
𝛾 = 𝛽0 + 𝛽1 𝑥 + 𝜀

• Epsilon est la fraction de variabilité

dans nos données qui ne peut pas être
expliquée par notre modèle.

• Si on trouve les paramètres pour lesquels

epsilon2 est à son minimum, nous avons la
meilleure modélisation possible de nos
données.

• 𝜀 2 est aussi nommé ‘sum of squares’ ou la

variance.

4
 Moindre carrés (least-squared)
La méthode des moindres carrés utilise les équations suivantes pour estimer les
paramètres 𝛽0 et 𝛽1
𝛾 = 𝛽0 + 𝛽1 𝑥 + 𝜀
σ𝑛𝑖=1 𝑥𝑖 − 𝑥ҧ 𝑦𝑖 − 𝑦ത
෢1 =
𝛽
σ𝑛𝑖=1 𝑥𝑖 − 𝑥ҧ 2

෢0 = 𝑦ത − 𝛽1 𝑥ҧ
𝛽
Age EGFR ഥ
x-𝒙 ഥ
y-𝒚 ഥ)(y - 𝒚
(x - 𝒙 ഥ) ഥ)2
(x - 𝒙
18 550 -16.7 147.7 -2783 278.9
21 505 -13.7 102.7 -1407 187.7
33 481 -1.7 78.7 -134 2.9
28 475 -6.7 72.7 -487 44.9
42 317 7.3 -85.3 -622 53.3
66 86 31.3 -316.3 -9900 979.7
sum 208 2414 -15373 1547.4
෢1 = −9.93
𝛽 avg 34.67 402.3

෢0 = 402.3 − −9.93 × 34.67 = 746.6

𝛽 (en pratique estimé avec Alg. Matr.) 5
 Test statistiques
Les tests statistiques sont souvent utilisés en science et vont comparer une ou
plusieurs statistiques d’intérêt entre plusieurs groupes expérimentaux afin de
déterminer s’ils sont significativement différents selon une valeur de probabilité alpha,
déterminé a priori.

• C’est quoi un p-value?

• C’est quoi les prérequis ou les conditions d’utilisation d’un test statistique?
(assumptions)
• Quel sont les différents types de tests? (paramétré, non-paramétrique)

P-value: Probabilité d’observé un résultat autant extrême que celui obtenu par hazard

Révisons quelques tests statistiques fréquemment utilisées en wetlab, car je pense

cela pourrait vous aider.
 Notions péparatoires – p-value
On peut utiliser une méthode appeler Monte-Carlo pour illustrer le concept du p-
value.
#Exercice pour determiner un p-value par simulation monte carlo
WT <- rnorm(100) #une population wild-type
TX <- rnorm(100,0.8) #une population traitement

# L'hypothese H1 est que le traitement a un effet, donc que les deux populations sont différentes

wt <- sample(WT, 20) #on fait une expérience avec un N de 20

tx <- sample(TX, 20) #N=20 pour notre échantillon condition traitement

obsdiff <- mean(tx) - mean(wt) #L'écart entre les moyennes des deux groupes expérimentaux
obsdiff

n <- 10000
null <- vector("numeric",n) # un vecteur vide de longueure n
for (i in 1:n) { #pour chacun des chiffres allant de 1 a 10000
control <- sample(WT,20) #une condition controle simulé à partir de la population
treatment <- sample(WT,20) #une condition traitemment simulé à partir des controles (si H0 est vrai, les deux populations ne sont pas différentes)
null[i] <- mean(treatment) - mean(control) #on remplace chaque élément i du vecteur par l'écart entre les moyennes des deux groupes sous H0
}

mean(null >= obsdiff) #combiens de nos résultats simulés sont plus extrèmes que notre observation?

• Quand il n’y a pas d’effet du tx, on voit un

résultat autant extrême que notre observation
seulement 1.04% du temps.
• Notre p-value ici est 0.0104
 Notions péparatoires - Variance et R2
R2 = Coefficient de détermination. Supposons des souris avec des mesures de nourriture
consommé et de poids. Nous voulons modéliser le poids (dépendante) vs. Nourriture
consommé (indépendante) en utilisant un modèle linéaire.
𝛾 = 𝛽0 + 𝛽1 𝑥 + 𝜀

1. Calculer la variance moyenne de la variable d’intérêt

SS(mean)
Poids

𝑛
2. Calculer la variance moyenne du modèle
SS(fit)
Nourriture consommée
𝑛
3. Enlever la variation résiduelle de notre modèle de la
variation totale et l’exprimer en tant qu’une proportion.
Poids

SS(mean) − SS(fit) En autres mots, si on enlève la variance

résiduelle du modèle de la variance totale au
𝑆𝑆(𝑚𝑒𝑎𝑛) début, nous pouvons quantifier combien de la
variabilité est expliqué par le modèle. R2.
Nourriture consommée
R2 = 1 = 100% de la variabilité expliquée.
 Tests non-paramétriques
Ces tests sont très utiles, car ils n’ont pas d’assomptions vis-à-vis comment les données
sont distribuées. De plus ils sont bien adaptés à des petites tailles d’échantillons et
peuvent fonctionner avec des données ordinales (high-med-low; A-B-C).

Les maths sous-jacentes à ces statistiques sont aussi beaucoup plus simples à mon avis…

𝑛1 𝑛1 + 1
𝑈1 = 𝑛1 𝑛2 + − 𝑅1
2

Fondé sur les rangs des données et non les valeurs numériques elles-mêmes.
 Tests non-paramétriques
Kruskal Wallis test

Pensez-y comme un ANOVA non-paramétrique. Toujours basé sur les rangs.

𝑐
12 𝑇𝑗2
𝐻= ෍ −3 𝑛+1
𝑛 𝑛+1 𝑛𝑗
𝑗=1

G1 = 23,41,54,66,78 = 2+4+9+12+15 = 44
G2 = 55,60,70,72,45 = T1 … Tn = 56
G3 = 20,30,40,44,34 = T1 … Tn = 20

12 442 562 202

𝐻= + + − 3 15 + 1
15 15 + 1 5 5 5
H = 6.72 (si plus grand que valeure critique Chi-carré, on peut rejeter H0)
 Tests paramétriques
Ces tests ont habituellement plusieurs assomptions à satisfaire et qui peuvent être vérifiés
avec des tests exploratoires tels que le Shapiro-Wilks et Kolmogorov-Smirnov.

Ils sont dits ‘paramétriques’, car ils présument le respect de certains paramètres de la
distribution des données. Ces tests sont plus puissants que les stats non-paramétriques.

• Distributions normales
• Données continues (numériques)
• Aucun biais d’échantillonnage
• Homogénéité des variances
𝑥1 −𝑥2
𝑇=
𝑠2 2
1 + 𝑠2
𝑛1 𝑛2
 F-test
Le F-test est le test utilisé lorsqu’on fait un ANOVA. Le F-statistic est un ratio calculé en
divisant la variance entre les moyennes de groupes (somme des carrés) par la variance à
l’intérieure des groupes (somme des carrés). Mêmes assomptions que T-test…

SS(Factor)/(k – 1)
𝐹=
𝑆𝑆(𝐸𝑟𝑟𝑜𝑟)/(𝑛 – 𝑘)

SS(Factor) SS(Error)
 Modèles linéaires
Les paramètres 𝛽 ne sont jamais connus en réalité, ils ne sont 𝛾 = 𝛽0 + 𝛽1 𝑥 + 𝜀
que estimés par la méthode moindres carrés. On nomme ces
መ
estimés 𝛽.

𝛽መ0 est toujours la moyenne des données lorsque x = 0 (origine pour des données
numériques continues). Le modèle ci-haut représente un modèle simple à une variable,
mais des modèles peuvent être plus complexe.

𝛾 = 𝛽0 + 𝛽1 𝑥 + 𝛽2 𝑧 + 𝜀

Même principe, sauf faut maintenant estimer trois paramètres au lieu de deux. On
nomme ces modèles de régression des régressions multiples. Au lieu de modéliser une
droite le long de nos données, nous modélisons un objet de plus haute dimension.
 Autres utilisations du F-test
F-test peut être utilisé pour calculer un ratio entre la variance
moyenne entre inter-groupes et intra-groupe pour un
𝛾 = 𝛽0 + 𝛽1 𝑥 + 𝜀
ANOVA, mais c’est aussi utile ailleurs.
𝛾 = 𝛽0 + 𝛽1 𝑥 + 𝛽2 𝑧 + 𝜀
SS(mean) − SS(fit)/(k−1)
𝐹=
𝑆𝑆(𝑓𝑖𝑡)/ (𝑛 − 𝑘)

Calcul du P-value pour un R2

SS(mean) − SS(fit)
R2 = 1 − 𝑆𝑆(𝑚𝑒𝑎𝑛)

SS(modèle 1) − SS(modèle 2)/(k2−k1) Comparaison de modèles

𝐹=
𝑆𝑆(𝑚𝑜𝑑è𝑙𝑒 2)/ (𝑛 − 𝑘2)

[Link]
[Link]
 Modèles linéaires – Données continues
Exemple d’un modèle linéaire utilisant des variables numériques continues.
𝛾 = 𝛽0 + 𝛽1 𝑥 + 𝜀
Hypothèse: L’accumulation de mutations somatiques dans la drosophile est dépendante de la
température.
Hypothèse nul: le taux de mutation est semblable peu importe la température.

Mutations (104) Temp (°C)

0.8 16
0.9 18
1.1 20
1.0 22
1.9 24
1.7 26
2.3 28
 Modèles linéaires – Données continues
Dans R on peut utiliser la formule lm(), ou <linear model>:

Call:
lm(formula = x ~ y)

Residuals:
1 2 3 4 5 6 7
0.153571 0.007143 -0.039286 -0.385714 0.267857 -0.178571 0.175000

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -1.32500 0.52459 -2.526 0.05280 .
y 0.12321 0.02346 5.252 0.00332 **
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 0.2483 on 5 degrees of freedom

Multiple R-squared: 0.8466, Adjusted R-squared: 0.8159
F-statistic: 27.58 on 1 and 5 DF, p-value: 0.003321

plot(y~x)
abline(lm(y~x))
 Modèles linéaires - ordinales
Que fait-on si nos variables sont ordinales ou catégoriques?
𝛾 = 𝛽0 + 𝛽1 𝑥 + 𝜀
Dans ce cas, on veux modéliser la différence entre les moyennes entre 2 groupes (équivalent
à un t-test). 𝛽0 = La moyenne du groupe contrôle 𝛽1 = la différence entre les moyennes de
groupe. X=0 lorsque la donnée appartient au groupe contrôle et X=1 au groupe traitement.
Dans ce cas epsilon = variabilité à l’intérieur d’un groupe.

En R, le modèle linéaire simple présenté içi

nous donnerais un p-value et un T statistic
equivalent à un T-test de student.

Cependant les modèles linéaires sont beaucoup

plus puissants, comme ils peuvent inclure
beaucoup de variables et être plus complexes.
 Modèles linéaires - ordinales
Exemple GWAS
𝛾 = 𝛽0 + 𝛽1 𝑥 + 𝜀
Hypothèse: Une personne ayant un allèle mineure pour un génotype G est à plus haut risque
d’avoir du cholestérol sanguin élevée.
Hypothèse nul: le génotype G n’a pas d’effet.
Cholesterol Genotype
12 AA
15 AA
23 AA
11 Aa
10 Aa
20 Aa
45 aa
65 aa
36 aa
 Modèles linéaires - ordinales
Exemple GWAS
𝛾 = 𝛽0 + 𝛽1 𝑥 + 𝜀
Call:
lm(formula = df$x ~ df$y)

Residuals:
Min 1Q Median 3Q Max
-16.333 -6.333 1.667 4.667 22.667

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -5.667 11.963 -0.474 0.6501
df$y 16.000 5.538 2.889 0.0233 *
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 13.56 on 7 degrees of freedom

Multiple R-squared: 0.5439, Adjusted R-squared: 0.4788
F-statistic: 8.348 on 1 and 7 DF, p-value: 0.02334
 Modèles linéaires - ordinales
Exemple GWAS
𝛾 = 𝛽0 + 𝛽1 𝑥 + 𝜀
Call:
lm(formula = df$x ~ df$y)

Residuals:
Min 1Q Median 3Q Max
-12.667 -4.167 -3.167 4.833 16.333

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 15.167 3.715 4.083 0.00467 **
df$yaa 33.500 6.434 5.207 0.00124 **
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 9.099 on 7 degrees of freedom

Multiple R-squared: 0.7948, Adjusted R-squared: 0.7655
F-statistic: 27.11 on 1 and 7 DF, p-value: 0.001244
 GWAS
Très souvent utilisé pour identifier des variants génétiques associées à une maladie ou un
phénotype d’intérêt.
𝛾 = 𝛽0 + 𝛽1 𝑥 + 𝜀

En réalité on modélise la variable indépendante environ 30 milliards de fois, pour

pratiquement chacun des nucléotides du génome humain.

Les p-values sont ensuite corrigés et celles qui demeurent significatives seront retenues
comme des locus putatifs pour expliquer la maladie ou le phénotype.
 Les tests multiples
Dans l’exemple précédent, j’ai mentionné la correction des p-values. Ce besoin découle du
fait que l’on fait un très grand nombre de tests… 𝛾1 = 𝛽0 + 𝛽1 𝑥1 + 𝜀
𝛾2 = 𝛽0 + 𝛽1 𝑥2 + 𝜀
𝛾3 = 𝛽0 + 𝛽1 𝑥3 + 𝜀
…
𝛾𝑛 = 𝛽0 + 𝛽1 𝑥𝑛 + 𝜀
Supposons un jeu de données tiré d’une seule population homogène, des souris ‘wild-type’

Souris ITGAM …T-test = P >> 0.05

1 22
2 18 95% du temps, P > 0.05.
3 12 …T-test = P >> 0.05 Mais à 5% faux-positif, si on
fait 1000 tests, c’est quand
4 0
même 50 résultats erronés
5 54
…T-test = P < 0.05
… …
n gn
 Les tests multiples
Si on fait une simulation Monte-Carlo comme avant, on verra que les probabilités (p-values)
sont distribuées uniformément sous l’hypothèse nul. Et si nous avons réellement plusieurs
résultats intéressants, il y aura une plus grande proportion des p-values qui seront < α.

Données qui sont

intéressantes

Faux
positifs
 Correction de p-values
Il y a deux méthodes principales utilisées pour les corrections de tests multiples en
génomique – La correction de bonferroni (très stricte) et la correction de Benjamini-
Hochberg (moins strict)

𝑚
𝐹𝑊𝐸𝑅 = 1 − 1 − 𝑝

Pour un seul test a α = 0.05, le FWER sera de 5%, donc on peut s’attendre à 5% de chance
d’avoir un faux positif.

Supposons un ANOVA: 4 groupes avec un omnibus p-value < 0.05.

Il nous faut un post-hoc test pour déterminer les différences, donc 6 tests au total. Quel est
le FWER pour 6 tests à α = 0.05?

𝐹𝑊𝐸𝑅 = 1 − 1 − 0.05 6 = 26.5%

 Correction de p-values
La correction de bonferroni sur notre α sera de α/nombre de test.

𝐹𝑊𝐸𝑅 = 1 − 1 − 0.008 6 = 5%

Pour un six tests a α = 0.008, le FWER sera à nouveau de 5%.

Une autre façon simple d’ajuster les p-values originales pour garder le même seuil:

𝑃𝑎𝑑𝑗 = 𝑃 × 𝑛𝑡𝑒𝑠𝑡

Cette méthode est très bien adapté pour des expériences où on veut absolument éviter des
faux positifs à tout prix.
 Correction Benjamini-Hochberg
La méthode Benjamini Hochberg ajuste nos p-values d’une façon à ce qu’on obtient
seulement 5% de faux positifs dans nos résultats finaux.

1. Ordonner nos p-values en allant du plus petit au plus grand.

2. On prend la plus petite valeur, soit:
𝑃𝑎𝑑𝑗 = 𝑃𝑖−1

𝑛𝑡𝑒𝑠𝑡𝑠
𝑃𝑎𝑑𝑗 = 𝑃𝑖 ×
𝑟𝑎𝑛𝑔𝑖

Les p-values ajustées doivent être croissantes (d’où la clause 𝑃𝑖−1)

Cette méthode est souvent utiliser en génomique, car elle représente un bon compromis
entre le contrôle d’erreur type I et type II. On peut souvent se permettre quelques faux
positifs.
 Les tests multiples
0.42
0.025

Faux positifs

0.00 1.00

Faux positifs
FWER FDR
P-value T(Ag1, Bg1) = 0.423 1.000 0.423
P-value T(Ag2, Bg2) = 0.012 0.060 0.048
P-value T(Ag3, Bg3) = 0.019 0.095 0.048
P-value T(Ag4, Bg4) = 0.110 0.550 0.183
P-value T(Ag5, Bg5) = 0.273 1.000 0.341

P-value T(Agn, Bgn) = 0-1

 Modèles linéaires généralisés
• Les Maths entourant les modèles linéaires sont bien développées, mais plusieurs types
de données que nous voulons modéliser ne sont pas des données linéaires continues

• Afin d’être en mesure d’utiliser les mêmes outils mathématiques pour analyser d’autres
types de données, nous devons ajuster / ajouter des paramètres ou bien modéliser une
transformation de ce qui nous intéresse.

• Pour des données continues linéaires nous utilisons des modèles linéaires, mais pour
des données binaires (Oui/Non), des données poisson (integers positifs), etc. nous
devons utiliser des modèles linéaires généralisées.
 Modèles linéaires – régression logistique
Que fait-on si notre phénotype est binaire et non numérique?
𝛾 = 𝛽0 + 𝛽1 𝑥 + 𝜀

Disease??

No Disease??
 Modèles linéaires – régression logistique
Au lieu de modéliser notre issue clinique, nous allons modéliser la probabilité d’être dans l’un
des deux groupes (Atteint vs Aucune atteinte). On ne prédit pas une variable continue, mais
si quelque chose est vrai ou non. Comme c’est un MLG, on va tenter d’emprunter les maths
et les méthodes des régressions pour modéliser cette probabilité.

Pr(𝛾) = 𝛽0 + 𝛽1 𝑥

Dans une régression linéaire, la variable que

nous modélisons peut, en principe, être
Diabétique
n’importe quelle valeure ∈ {−∞, +∞}

Dans une régression logistique, ∈ {0,1}

N’est pas
diabétique

Poids
 Modèles linéaires – régression logistique
Ce n’est pas très utile de générer une régression si on se limite à des valeurs entre 0 et 1.
Nous allons donc convertir notre probabilité en ‘Odds’. (les chances)

La chance est un ratio entre deux différents issues: (Succès / Échec)

La probabilité est un ratio entre un issue et toutes les possibilités: (Succès / Échec+Succès)

Odds(𝛾) = 𝛽0 + 𝛽1 𝑥
On peut calculer les chances à partir de la
probabilité.
Diabétique
𝑝
𝑂𝑑𝑑𝑠 =
1−𝑝

Un peu mieux, car maintenant les limites

de notre variable dépendante seront
N’est pas
0: ∞
diabétique
Toujours mêlant cependant, car 0:1 est
Poids
interprétée différemment que 1: ∞
 Modèles linéaires – régression logistique
Afin de rendre notre modèle le plus près d’une régression linéaire possible et pour rendre
nos résultats plus interprétables, nous allons modéliser le logarithmes des chances. (log-
odds)

0 1

Pr(𝛾) = 𝛽0 + 𝛽1 𝑥

Beaucoup mieux, comme la régression, on

0 1 2
va de - ∞ à + ∞
𝑝(𝑦)
Odds 𝛾 =
1 − 𝑝(𝑦)
= 𝛽0 + 𝛽1 𝑥 Le signe négatif peut être interprété
comme une diminution des chances de
l’événement en question.
-2 -1 0 1 2

𝑝(𝑦) Le signe positif indique une augmentation

LogOdds 𝛾 = 𝑙𝑜𝑔 = 𝛽0 + 𝛽1 𝑥 des chances.
1 − 𝑝(𝑦)
 Modèles linéaires – régression logistique
Comment estimer les paramètres pour une telle régression? Les Moindres Carrées ne
fonctionnent plus….
𝑝(𝑦)
LogOdds 𝛾 = 𝑙𝑜𝑔 = 𝛽0 + 𝛽1 𝑥
1 − 𝑝(𝑦)

On va utiliser le ‘maximum likelihood’

Likelihood =/= Probabilité.

Probabilité: a priori – étant donnée une certaine

distribution, la probabilité nous dit quelle est la
chance d’observer une certaine valeur (dans le futur)

Likelihood: a posteriori – étant donnée notre data,

quelle est le likelihood d’une certaine distribution.
 Modèles linéaires – régression logistique
Supposons l’exemple le plus simple – un jeu de données ayant une distribution normale.

1 −1 𝑥−𝜇 2
L σ, μ x) = 𝑒2 𝜎
𝜎 2𝜋

Nous pouvons estimer la moyenne de la distribution en assumant l’écart-type et en essayant

plusieurs tentatives d’une façon itérative.

Maximum Likelihood
[Link]
[Link]
 Modèles linéaires – régression logistique
Dans la littérature scientifique on voit souvent les Odds, Odds Ratios, Relative Risk, Hazard
Ratios.

• Odds ratio = Ratio entre les chances d’un événement entre deux groupes (case/control)
On peut illustrer avec une table 2x2

Cancer Aucun
Cancer
Génotype A 64 118
Génotype B 8 211

• Un Odds Ratio très élevé = grand effet, le génotype A explique bien notre issue clinique.

• Le test Fisher, le test Wald ou le test Khi-carré sont utilisés pour calculer un p-value pour
notre ratio.
 Modèles linéaires Généralisés – Données
Poisson
Les utilisations les plus fréquentes des GLMs sont pour les données binaires (voir exemple
précédent; yes/no; malade/sain) ou bien les comptes (distribuées en poisson ou BN)

Distribution normale est une distribution de données continues, donc pour des données
poisson ou binaires, nous devons utiliser un modèle linéaire généralisé ayant des fonctions
ou des paramètres additionnels qui permettent de bien modéliser nos données en utilisant
les mèmes outils de régression.

En autres mots, faut modéliser quelque chose qui nous fait du sens.

Erreur résiduelle n’est vraiment pas

distribuée normalement, donc viole les
assomptions du modèle linéaire

Comment interpréter les valeurs

négatives??
 Modèles linéaires Généralisés – Données
Poisson
Dans ce cas, une fonction qui nous permet de faire du sens avec nos données c’est le
logarithme. Comme le logarithme ne permet pas de valeurs négatives, ça élimine le problème
d’interprétabilité des valeurs prédites négatives.

𝑙𝑛 𝛾 = 𝛽0 + 𝛽1 𝑥

Pas de paramètre pour l’erreur résiduelle içi, car la variance = la moyenne pour des données
Poisson.

Comme avec le modèle logistique, les

paramètres seront estimés en utilisant
le ‘maximum likelihood’
Modèles linéaires Généralisés

Normale Binomiale Poisson

𝛾 = 𝛽0 + 𝛽1 𝑥 + 𝜀 LogOdds 𝛾 = 𝛽0 + 𝛽1 𝑥 𝑙𝑛 𝛾 = 𝛽0 + 𝛽1 𝑥