LEADER 04535nam 2200613 450 001 9910793842403321 005 20211020221912.0 010 $a2-7598-2183-8 024 7 $a10.1051/978-2-7598-2183-9 035 $a(CKB)4100000009825788 035 $a(MiAaPQ)EBC5972825 035 $a(DE-B1597)575060 035 $a(DE-B1597)9782759821839 035 $a(MiAaPQ)EBC6810408 035 $a(Au-PeEL)EBL6810408 035 $a(OCoLC)1127219494 035 $a(PPN)242011810 035 $a(EXLCZ)994100000009825788 100 $a20191128d2019 uy 0 101 0 $afre 135 $aurcnu|||||||| 181 $ctxt$2rdacontent 182 $cc$2rdamedia 183 $acr$2rdacarrier 200 10$aRe?gression avec R /$fPierre-Andre? Cornillon [and three others] 205 $a2e edition. 210 1$aLes Ulis :$cEDP Sciences,$d[2019] 210 4$d©2019 215 $a1 online resource (402 pages) 225 1 $aPratique R 311 0 $a2-7598-2076-9 327 $tFront matter --$tREMERCIEMENTS --$tAVANT-PROPOS --$tTable des matières --$tI. Introduction au modèle linéaire --$tII. Inférence --$tIII. Réduction de dimension --$tIV. Le modèle linéaire généralisé --$tV. Introduction à la régression non paramétrique --$tBibliographie --$tIndex --$tNotations 330 $aCet 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. 410 0$aCollection Pratique R. 606 $aMathematical statistics 606 $aRegression analysis$xData processing 606 $aR (Computer program language) 606 $aEconomics$vStatistics 615 0$aMathematical statistics. 615 0$aRegression analysis$xData processing. 615 0$aR (Computer program language) 615 0$aEconomics 676 $a519.502855133 700 $aCornillon$b Pierre-Andre?$0517468 702 $aHengartner$b Nicolas$4aut$4http://id.loc.gov/vocabulary/relators/aut 702 $aMatzner-Løber$b Eric$4aut$4http://id.loc.gov/vocabulary/relators/aut 702 $aRouvière$b Laurent$4aut$4http://id.loc.gov/vocabulary/relators/aut 801 0$bMiAaPQ 801 1$bMiAaPQ 801 2$bMiAaPQ 906 $aBOOK 912 $a9910793842403321 996 $aRe?gression avec R$93707768 997 $aUNINA