Ficha de revisão: Introduction à la régression linéaire

1. 📌 L'essentiel

• La régression linéaire modélise la relation entre une variable dépendante y et une ou plusieurs variables explicatives x.
• Le coefficient de corrélation r mesure la force et le sens de relation linéaire, de -1 à 1.
• La droite de régression est définie par Y = aX + b, où a est la pente et b l’ordonnée à l’origine.
• La méthode des moindres carrés minimise la somme des carrés des résidus (écarts entre valeurs observées et estimées).
• Le coefficient de détermination r² indique la proportion de la variance de y expliquée par x.
• La significativité de la relation est testée via le test de Student (H0 : ρ=0).
• Les conditions d’application : normalité, homoscédasticité, indépendance des résidus.
• L’analyse de variance (ANOVA) permet de vérifier la pertinence globale du modèle.
• Les intervalles de confiance permettent d’estimer la précision des paramètres (a, b).
• La régression permet aussi de faire des prédictions avec intervalles de prédiction et de confiance.

2. 🧩 Structures & Composants clés

• Variable dépendante (Y) — la variable à prédire.
• Variable explicative (X) — la variable d’explication.
• Coefficient de corrélation r — indique la force et le sens de la relation.
• Droite de régression (Y=aX+b) — modèle mathématique de la relation.
• Résidus (ε) — différence entre valeur observée y et valeur estimée ŷ.
• Coefficient a (pente) — Cov(x,y)/Var(x).
• Coefficient b (ordonnée à l’origine) — ȳ - a x̄.
• Test de Student — vérifie la significativité de r.
• Intervalle de confiance — pour a et b.
• Conditions d’application — normalité, homoscédasticité, indépendance.
• Analyse de variance (ANOVA) — test global de la qualité du modèle.

3. 🔬 Fonctions, Mécanismes & Relations

• La corrélation r indique la force de la relation linéaire, pas la causalité.
• La droite de régression est ajustée pour minimiser la somme Σ(y_i - ŷ_i)².
• Les résidus sont symétriques autour de 0, leur somme est nulle.
• Le test de Student compare r à 0 pour valider la relation.
• Les intervalles de confiance donnent une estimation de la précision des paramètres.
• La condition d’homoscédasticité garantit une variance constante des résidus.
• La normalité des résidus est requise pour la validité des tests.
• L’ANOVA compare la variance expliquée à la variance résiduelle.
• La prédiction utilise la droite pour estimer y à partir de x.

4. Tableau comparatif : Coefficients et tests

Élément	Caractéristiques clés	Notes / Différences
r	-1 ≤ r ≤ 1, indique force et sens	r proche de ±1 = forte relation
r²	Part de y expliquée par x	r²=0,96 = 96% de variance expliquée
a	Cov(x,y)/Var(x)	Pente de la droite
b	ȳ - a x̄	Ordonnée à l’origine
Résidus	y_i - ŷ_i	Somme nulle, minimisés par la régression
Test de Student	Vérifie si r ≠ 0	H0 : ρ=0, H1 : ρ≠0
Intervalle de confiance	pour a et b	t(α/2, n-2) * s_e
Conditions	Normalité, homoscédasticité, indépendance	Vérification préalable
ANOVA	SCE totale = SCE régression + SCE résiduelle	Test global de la significativité

5. Diagramme hiérarchique ASCII

Régression linéaire
 ├─ Variables
 │   ├─ Variable dépendante (Y)
 │   └─ Variable explicative (X)
 ├─ Modèle
 │   └─ Y=aX+b
 ├─ Calculs
 │   ├─ a=Cov(x,y)/Var(x)
 │   └─ b=ȳ - a x̄
 ├─ Analyse
 │   ├─ Résidus
 │   ├─ Test de significativité (Student)
 │   └─ ANOVA
 └─ Prédictions
     └─ Intervalles de confiance et de prédiction

6. ⚠️ Pièges & Confusions fréquentes

• Confondre corrélation r et causalité.
• Croire qu’un r élevé implique un bon modèle prédictif.
• Oublier de vérifier les conditions d’application (normalité, homoscédasticité).
• Utiliser la régression pour extrapoler hors de la plage de données.
• Interpréter à tort r² comme une causalité.
• Négliger l’analyse des résidus pour valider l’ajustement.
• Confondre la pente a avec la corrélation r.
• Ignorer la significativité statistique du modèle.
• Supposer que la relation est toujours linéaire.

7. ✅ Checklist Examen Final

• Définir la régression linéaire et ses objectifs.
• Expliquer le rôle du coefficient de corrélation r.
• Décrire la formule de la droite de régression.
• Savoir calculer a et b.
• Interpréter r et r².
• Expliquer le test de Student pour r.
• Vérifier les conditions d’application.
• Comprendre l’analyse de variance (ANOVA).
• Savoir construire et interpréter un intervalle de confiance.
• Expliquer la différence entre intervalle de confiance et intervalle de prédiction.
• Connaître les limites de la régression (extrapolation, causalité).
• Identifier les résidus et leur importance.
• Savoir utiliser la régression pour faire des prédictions.
• Reconnaître les erreurs fréquentes en régression.
• Maîtriser la lecture d’un tableau de synthèse.
• Être capable de représenter la hiérarchie du processus en ASCII.