- 1.70 -
La regression linćaire simple et la regression lineaire a deux va~ riables explicatives ont respectivement pour moddle :
Y * a + bX
* > • *
*et.
Y ?? a + ,bjX + b2%
- O)
- (-2)
ow Xj Z et Y serct Zes variables tandis ąue a,b,bj,b2 des coefficients a estimer. Ce ne sont en fait ąue deux oas particuliers du modele de regression linćaire multiple (!) :
ou z
- C3.)
dans leąuel les Xj sont les variables explicatives et les b. les coefficients' a 'estimer par rćgression. • J
- Les variables explicatives peuuent dtre de trois types :
ii) Chaąue variable Xj peut representer une grandeur physiąue bien definie ; par exemple, dans un probleme donnę, X^ peut etre la hauteur et diametre. Ces grandeurs peuvent etre plus ou
moins correlees entre elles, mais si cette correlation en venait S etre parfaite (R = 1 , lialson lineaire entre grandeurs), il faudrait en faire sortir une du modele.
(ii) Certaines variables peuvent etre des transformations et/ou des com-binaisons dłautres variables. Par exemple, on pourrait prendre
X3 = log X2 et X4 = XjX2.
< Tl faut toutefois, coinme nous venons de le dire, s ’ ihterdire des
" combinaisons lineaires du genre X^ =* Xj + X2 ou Xj - X2«
•
(iii) Certaines, enfin, peuvent etre des variables conditionnelles, qui ne peuvent prendre que les valeurs 0 ou 1. Ainsi, dans une regres-
v sion donnee, X} pourrait valoir 0 pour les donnees observees sur une certaine provenance et 1 pour les donn§es observees sur les autres provenances. Nous en reparlerons dans le paragraphe consacre a la comparaison des regressions et a lTanalyse de covariance.
Dans le domaine de la prśińsion de la production foresti&re, le nombre de variables explicatives de bgse est souvenir limitć d 2 ou 3, avec eventuellement 2 ou-3 autres rariables obtenues par transformation ou combi-naison des premi&res : on obtient ainsi des courbes de formę relatiuement
( ) en anglais = multiple linęar regression ou multivariate linear regression
m W- n?