Détails formation en Méthodes de régression sur données qualitatives

Choisir et mettre en œuvre les méthodes de régression les plus adaptées pour des variables expliquées qualitatives afin d’en présenter les résultats de manière intelligible et originale.

Connaissances de base en économétrie (formation Économétrie 1)

La formation présente les aspects théoriques et pratiques de la régression logistique et plus largement des principaux modèles économétriques propres aux variables dépendantes qualitatives (binaire ou catégorielle). Cette situation se rencontre dans différents champs d’application : choix financiers, notation du risque, segmentation de clientèle, marketing, économie du travail, économie de l’environnement, étude des comportements, etc .

La régression logistique permet de tenir compte de la nature discrète de la variable dépendante qui peut prendre deux valeurs (variables binaires dépendantes). Celle-ci peut se généraliser au cas où la variable à expliquer prend plus de deux modalités et les méthodes mises en œuvre ainsi que l’interprétation des résultats doivent tenir compte de leur nature ordonnée ou pas. La formation aborde également les modèles à variables discrètes positives (données de comptage).

Chacune de ces situations est illustrée par des exemples concrets sur les méthodes à mettre en œuvre et sur la meilleure manière de présenter les résultats obtenus.

Les modèles à variables qualitatives binaires : probit et logit

Introduction: des exemples, formalisation Estimation et interprétation des paramètres Inférence

Les modèles polytomiques

Introduction : des exemples, formalisation

Modèles ordonnés

Modèles non ordonnés : logit multinomial, logit conditionnel, hypothèse IIA, probit polytomique

Application

Les modèles pour données de comptage

Introduction : des exemples, formalisation

Le modèle de Poisson : estimation, interprétation, inférence

Le modèle Binomial négatif : estimation, interprétation, inférence

SAS, STATA, R

Méthodes de régression sur données qualitatives

Méthodes de régression sur données qualitatives

Objectifs

Prérequis

Contenu

Outils ou logiciel

Niveaux

Commentaires

S'inscrire