Тест: Introduction à la régression linéaire — 10 въпроса

1. Quel est le rôle principal de la régression linéaire dans l'analyse de données ?

A. Modéliser la relation entre une variable dépendante et plusieurs variables explicatives

B. Comparer deux variables qualitatives

C. Identifier la causalité entre deux variables qualitatives

D. Calculer la moyenne d'une seule variable

Answer: (A)

Обяснение

La régression linéaire sert à modéliser la relation entre une variable dépendante et une ou plusieurs variables explicatives, en particulier pour faire des prédictions ou évaluer la force de cette relation.

2. Quel est le principal objectif de la régression linéaire telle que présentée dans la fiche de révision?

A. Modéliser la relation entre une variable dépendante et plusieurs variables explicatives.

B. Trouver la relation non linéaire entre une variable dépendante et une ou plusieurs variables explicatives.

C. Modéliser la relation entre une variable dépendante y et une ou plusieurs variables explicatives x.

D. Calculer la moyenne de la variable dépendante y.

Answer: (C)

Обяснение

La régression linéaire vise à modéliser la relation entre une variable à prédire (y) et les variables qui expliquent cette variable (x). La fiche précise que c'est son objectif principal.

3. Que signifie un coefficient de corrélation r proche de 1 ou -1 ?

A. Montre que la relation est causale

B. Indique une forte relation positive ou négative entre deux variables

C. Indique une absence de relation entre deux variables

D. Signale que la relation est non linéaire

Answer: (B)

Обяснение

Un coefficient r proche de 1 ou -1 indique une forte relation linéaire positive ou négative entre deux variables, respectivement.

4. Que signifie un coefficient de corrélation r égal à 0,8 selon la fiche?

A. Il indique une relation faible entre y et x.

B. Il indique une relation forte et positive entre y et x.

C. Il indique une relation parfaite entre y et x.

D. Il indique qu'il n'y a pas de relation linéaire.

Answer: (B)

Обяснение

Un r proche de 1, comme 0,8, indique une relation linéaire forte et positive. La fiche indique que r mesure la force et le sens de la relation.

5. Quelle condition est essentielle pour appliquer correctement la régression linéaire ?

A. Relation non linéaire entre les variables

B. Présence de variables qualitatives

C. Taille d’échantillon inférieure à 30

D. Normalité des résidus, homoscédasticité et indépendance des observations

Answer: (D)

Обяснение

Les conditions essentielles incluent la normalité des résidus, l'homoscédasticité (variance constante des résidus) et l'indépendance des observations pour assurer la validité du modèle.

6. Selon la fiche, comment la droite de régression Y=aX+b est-elle déterminée?

A. En maximisant la somme des résidus (y_i - ŷ_i).

B. En minimisant la somme des carrés des résidus (écarts entre valeurs observées et estimées).

C. En ajustant les résidus pour qu'ils soient tous positifs.

D. En utilisant la moyenne des variables y et x uniquement.

Answer: (B)

Обяснение

La fiche indique que la méthode des moindres carrés minimise la somme des carrés des résidus, ce qui détermine la droite de régression.

7. Quelle condition d’application n’est PAS mentionnée dans la fiche pour la validité du modèle de régression?

A. Normalité des résidus.

B. Hétéroscédasticité.

C. Indépendance des résidus.

D. Homoscédasticité.

Answer: (B)

Обяснение

La fiche précise que l'homoscédasticité (variance constante des résidus) et la normalité sont nécessaires, tandis que l'hétéroscédasticité (variance variable) ne l’est pas et est en fait une condition à éviter.

8. Que permet de vérifier l’analyse de variance (ANOVA) dans le contexte de la régression linéaire?

A. La corrélation entre y et x.

B. La pertinence globale et la qualité du modèle de régression.

C. La normalité des résidus uniquement.

D. La valeur exacte des coefficients a et b.

Answer: (B)

Обяснение

L'ANOVA sert à tester si le modèle explique significativement la variance de y. La fiche indique qu’elle vérifie la pertinence globale du modèle.

9. Quelle affirmation concernant la signification du coefficient de corrélation r est correcte?

A. Le r indique la causalité entre x et y.

B. Le r indique uniquement la force et le sens de la relation linéaire, pas la causalité.

C. Le r doit toujours être supérieur à 0,5 pour que la modèle soit valide.

D. Le r mesure l’interaction entre toutes les variables indépendantes.

Answer: (B)

Обяснение

La fiche précise que r indique la force et le sens de la relation linéaire, mais pas la causalité. La corrélation n'impliquer pas une relation causale.

10. Selon la fiche, à quoi servent les intervalles de confiance dans la régression linéaire?

A. À estimer la proportion de variance expliquée par le modèle.

B. À estimer la précision des paramètres a et b.

C. À vérifier l’indépendance des résidus.

D. À déterminer la meilleure valeur de r.

Answer: (B)

Обяснение

Les intervalles de confiance sont utilisés pour estimer la précision des paramètres de la droite de régression, comme a et b, selon la fiche.