Régression multiple

Question 1

Que permet la régression multiple (de plus que la régression simple)? (2 éléments)

Answer 1

1. Connaître l’effet unique des variables indépendantes et leur effet combiné sur la VD
2. Inclure des variables contrôles/tierces

Question 2

Comment ajuste-t-on l’équation de la régression simple à l’équation de la régression multiple?

Answer 2

En ajoutant autant de b(x) qu’il y a de variables dans le modèle

Question 3

Qu’est-ce qui fait varier les différents types de régression?

Answer 3

L’échelle de la VD

Question 4

Quels sont les 3 types d’analyse de régression possibles et pour quels types de VD s’appliquent-ils?

Answer 4

1. Analyse de régression linéaire multiple: quantitative distribuée normalement
2. Analyse de régression logistique: dichotomique
3. Analyse de régression logistique multinominale: catégorielle à 3 catégories ou plus

Question 5

De quelle nature peuvent être les variables indépendantes dans le test de régression linéaire multiple?

Answer 5

Quantitatives ou dichotomiques

Question 6

Quels sont les 5 postulats d’utilisation du test de régression linéaire multiple?

Answer 6

1. Au moins 20 cas/effectifs par variable
2. Normalité de la distribution des variables quantitatives
3. Linéarité de la distribution entre les variables quantitatives
4. Absence de colinéarité et multicolinéarité
5. Aucune variable inutile ne doit être incluse dans le modèle

Question 7

Par quoi est mesuré la colinéarité?

Answer 7

Par la matrice de corrélation

Question 8

Comment est déterminé la multicolinéarité?

Answer 8

Par l’indice de tolérance

Question 9

Qu’entend-t-on par variables inutiles?

Answer 9

Celles qui se sont révélées non significatives lors des analyses bivariées

Question 10

Quand a-t-on un modèle de régression puissant?

Answer 10

Quand chaque VI est associée fortement à la VD, mais que chaque VI est indépendante des autres VI

Question 11

À partir de quel seuil l’indice de tolérance est-il problématique?

Answer 11

Au-dessous de 0,3 (plus c’est haut, mieux c’est)

Question 12

Qu’indique le R au carré?

Answer 12

Variation de la VD expliquée par les variables indépendantes incluses dans le modèle

Question 13

Qu’est-ce qui différencie le R au carré du R au carré ajusté?

Answer 13

Un nombre plus élevé de VI fera baisser la valeur du R au carré ajusté

Question 14

En quoi le R au carré est-il semblable à l’Êta carré?

Answer 14

Il est similaire, mais implique une relation linéaire

Question 15

Sur quoi informe le coefficient standardisé (bêta)?

Answer 15

Sur le sens et la force de relation pour chaque VI

Question 16

Avec quoi peut-on déterminer le meilleur prédicteur du modèle?

Answer 16

Avec le coefficient standardisé (bêta)