Flashcard: Analyse des réseaux et modélisation statistique — 22 carte

Régression linéaire simple — définition ?

Modèle expliquant Y par X avec Y = aX + b + ε.

Coefficient de régression — rôle ?

Indique l’effet attendu de X sur Y.

Constante b — signification ?

Valeur de Y quand X=0.

Résidu — définition ?

Différence entre valeur observée et prédite de Y.

Coefficient de corrélation — valeur ?

Mesure la force et la direction de la relation linéaire.

Test de corrélation — hypothèses ?

H0 : r=0, H1 : r≠0.

p-value — seuil classique ?

Inférieure à 5%, relation significative.

R² — rôle ?

Proportion de variance expliquée par X.

Vérification préalable — étape cruciale ?

Tester la significativité de r avant régression.

Interprétation du coefficient a — effet ?

Variation de Y pour une unité d’X.

Interprétation de b — quand X=0 ?

Valeur prédite de Y quand X=0.

Validation du modèle — étape clé ?

Vérifier normalité et amplitude des résidus.

Test de Shapiro-Wilk — objectif ?

Vérifier la normalité des résidus.

Régression linéaire multiple — définition ?

Modèle avec plusieurs X pour expliquer Y.

Variables explicatives — rôle ?

Facteurs influençant Y dans le modèle.

Multicolinéarité — problème ?

Variables explicatives fortement corrélées, instabilité des coefficients.

VIF — indication ?

Mesure la colinéarité ; VIF >10 problématique.

Régression logistique — variable dépendante ?

Variable binaire (0/1).

Logit — définition ?

Logarithme du rapport p/(1-p), modélise la probabilité.

Matrice de confusion — utilité ?

Évalue la performance du modèle de classification.

Communautés Louvain — objectif ?

Détecter groupes cohérents en maximisant la modularité.

Modularité — signification ?

Qualité de la partition en communautés.