Définition :
Analyse multivariée et explicative. Il s'agit d'une analyse multivariée car elle traite plusieurs variables simultanément. Elle est explicative car elle évalue une relation de cause à effet (une variable est expliquée par plusieurs variables explicatives).
Dans son principe, la régression a pour objet de vérifier et de quantifier le lien qui existe entre une variable à expliquer et différentes variables explicatives.
Il existe deux conditions pour utiliser la régression :
- les variables étudiées doivent être quantitatives (numériques),
- les variables explicatives doivent être indépendantes (sans lien les unes avec les autres).
Objectif :
Concrètement il s'agit d'obtenir une équation du type :
Y = a + b X1 + c X2 + d X3 + …
Y représente la variable expliquée a est une constante (sa valeur doit être minimisée dans le modèle)
X1, X2, X3 sont les variables explicatives b, c, d, sont les coefficients à déterminer par la régression.
Exemple d'utilisation :
Dans un baromètre de satisfaction de clientèle :
- Y est la note globale de satisfaction sur l'enseigne étudiée,
- X1 constitue la note de satisfaction concernant la qualité des produits,
- X2 concerne la note de satisfaction sur le prix,
- X3 traduit la note de satisfaction sur les services
Y = a + b X1 + c X2 + d X3
La détermination des coefficients b, c, d, permet de connaître le poids de chacun des critères (qualité des produits, niveaux de prix, services) dans la construction de la satisfaction globale vis-à-vis de l'enseigne.
Un bon modèle de régression tend à minimiser la valeur résiduelle (la constante a) et permet par conséquent d'établir des prévisions.
|
