Suivre l’actualité de ce titre (promotion, parution...)

Résumé

Cet ouvrage expose, de manière détaillée avec exemples à l’appui, différentes façons de répondre à un des problèmes statistiques les plus courants : la régression.Cette nouvelle édition se décompose en cinq parties. La première donne les grands principes des régressions simple et multiple par moindres carrés. Les fondamentaux de la méthode, tant au niveau des choix opérés que des hypothèses et leur utilité, sont expliqués. La deuxième partie est consacrée à l’inférence et présente les outils permettant de vérifier les hypothèses mises en oeuvre. Les techniques d’analyse de la variance et de la covariance sont également présentées dans cette partie. Le cas de la grande dimension est ensuite abordé dans la troisième partie. Différentes méthodes de réduction de la dimension telles que la sélection de variables, les régressions sous contraintes (lasso, elasticnet ou ridge) et sur composantes (PLS ou PCR) sont notamment proposées. Un dernier chapitre propose des algorithmes (basé sur l’apprentissage/validation ou la validation croisée) qui permettent de comparer toutes ces méthodes. La quatrième partie se concentre sur les modèles linéaires généralisés et plus particulièrement sur les régressions logistique et de Poisson avec ou sans technique de régularisation. Une section particulière est consacrée au scoring en régression logistique. Enfin, la dernière partie présente l’approche non paramétrique à travers les splines, les estimateurs à noyau et des plus proches voisins.La présentation témoigne d’un réel souci pédagogique des auteurs qui bénéficient d’une expérience d’enseignement auprès de publics très variés. Les résultats exposés sont replacés dans la perspective de leur utilité pratique grâce à l’analyse d’exemples concrets. Les commandes permettant le traitement des exemples sous R figurent dans le corps du texte. Enfin, chaque chapitre est complété par une suite d’exercices corrigés. Les codes, les données et les corrections des exercices se trouvent sur le site https://regression-avec-r.github.io/Cet ouvrage s’adresse principalement à des étudiants de Master et d’écoles d’ingénieurs ainsi qu’aux chercheurs travaillant dans les divers domaines des sciences appliquées.

Auteur

  • Pierre-André Cornillon est Maître de Conférences à l’université Rennes-2-Haute-Bretagne.
  • Après un doctorat en statistique obtenu à l’Université de Berkely (Californie), Nicolas W. Hengartner a rejoint le Département de statistique de l'Université de Yale en tant que professeur adjoint, puis promu professeur associé en 1999. En 2002, il a rejoint le groupe de science statistique du laboratoire national de Los Alamos. Il est actif dans les activités de sensibilisation académique et, en 2004, a été nommé professeur auxiliaire au Département de statistique de l'Université Simon Fraser, Burnaby , au Canada. Ses recherches portent sur l'application transdisciplinaire des statistiques, de la modélisation stochastique et des sciences de l'information à la physique, à l'épidémiologie et aux simulations sociotechniques à grande échelle.
  • Eric Matzner-Løber est Professeur à l’université Rennes-2-Haute-Bretagne.
  • Laurent Rouvière est Maître de Conférences à l’université Rennes-2-Haute-Bretagne.

Auteur(s) : Pierre-André Cornillon, Nicolas Hengartner, Eric Matzner-Løber, Laurent Rouvière

Caractéristiques

Editeur : EDP sciences

Auteur(s) : Pierre-André Cornillon, Nicolas Hengartner, Eric Matzner-Løber, Laurent Rouvière

Publication : 7 novembre 2019

Intérieur : Noir & blanc

Support(s) : Livre numérique eBook [PDF]

Contenu(s) : PDF

Protection(s) : Marquage social (PDF)

Taille(s) : 4,95 Mo (PDF)

Langue(s) : Français

Code(s) CLIL : 3056

EAN13 Livre numérique eBook [PDF] : 9782759821839

EAN13 (papier) : 9782759820764

Vous aimerez aussi

Les promos du moment

--:-- / --:--