• Home
  • Chimie
  • Astronomie
  • Énergie
  • La nature
  • Biologie
  • Physique
  • Électronique
  •  science >> Science >  >> Autres
    Les inconvénients de la régression linéaire

    La régression linéaire est une méthode statistique pour examiner la relation entre une variable dépendante, notée y,
    et une ou plusieurs variables indépendantes, notée x
    . La variable dépendante doit être continue, en ce sens qu'elle peut prendre n'importe quelle valeur, ou au moins proche de continue. Les variables indépendantes peuvent être de tout type. Bien que la régression linéaire ne puisse pas montrer la causalité par elle-même, la variable dépendante est généralement affectée par les variables indépendantes.
    La régression linéaire est limitée aux relations linéaires

    De par sa nature, la régression linéaire examine uniquement les relations linéaires entre les dépendants et variables indépendantes. Autrement dit, il suppose qu'il existe une relation linéaire entre eux. Parfois, c'est incorrect. Par exemple, la relation entre le revenu et l'âge est courbe, c'est-à-dire que le revenu a tendance à augmenter au début de l'âge adulte, à s'aplatir à la fin de l'âge adulte et à diminuer après la retraite. Vous pouvez voir si c'est un problème en regardant les représentations graphiques des relations.
    La régression linéaire ne regarde que la moyenne de la variable dépendante

    La régression linéaire regarde une relation entre la moyenne de la variable dépendante Par exemple, si vous regardez la relation entre le poids à la naissance des nourrissons et les caractéristiques maternelles telles que l'âge, la régression linéaire examinera le poids moyen des bébés nés de mères d'âges différents. Cependant, parfois, vous devez regarder les extrêmes de la variable dépendante, par exemple, les bébés sont à risque lorsque leur poids est faible, vous devriez donc regarder les extrêmes dans cet exemple.

    Tout comme la moyenne n'est pas une description complète d'une seule variable, la régression linéaire n'est pas une description complète des relations entre les variables. Vous pouvez résoudre ce problème en utilisant la régression quantile.
    La régression linéaire est sensible aux valeurs aberrantes

    Les valeurs aberrantes sont des données surprenantes. Les valeurs aberrantes peuvent être univariées (basées sur une variable) ou multivariées. Si vous regardez l'âge et le revenu, les valeurs aberrantes univariées seraient des choses comme une personne qui a 118 ans, ou une personne qui a gagné 12 millions de dollars l'année dernière. Une valeur aberrante multivariée serait un jeune de 18 ans qui a gagné 200 000 $. Dans ce cas, ni l'âge ni le revenu ne sont très extrêmes, mais très peu de jeunes de 18 ans font autant d'argent.

    Les valeurs aberrantes peuvent avoir des effets énormes sur la régression. Vous pouvez résoudre ce problème en demandant des statistiques d'influence à partir de votre logiciel de statistique.
    Les données doivent être indépendantes

    La régression linéaire suppose que les données sont indépendantes. Cela signifie que les scores d'un sujet (comme une personne) n'ont rien à voir avec ceux d'un autre. C'est souvent, mais pas toujours, sensé. Deux cas courants où cela n'a pas de sens sont le regroupement dans l'espace et le temps.

    Un exemple classique de regroupement dans l'espace est les résultats des tests des élèves, lorsque vous avez des élèves de différentes classes, classes, écoles et districts scolaires. Les élèves d'une même classe ont tendance à être similaires à bien des égards, c'est-à-dire qu'ils viennent souvent des mêmes quartiers, qu'ils ont les mêmes enseignants, etc. Ainsi, ils ne sont pas indépendants.

    Des exemples de regroupement dans le temps sont toutes les études où vous mesurez les mêmes sujets plusieurs fois. Par exemple, dans une étude de l'alimentation et du poids, vous pouvez mesurer chaque personne plusieurs fois. Ces données ne sont pas indépendantes car ce qu'une personne pèse à une occasion est lié à ce qu'elle pèse à d'autres occasions. Une façon de résoudre ce problème consiste à utiliser des modèles à plusieurs niveaux.

    © Science http://fr.scienceaq.com