Modèle de régression, corrélation du prix d'une voiture, autres facteurs, ajustement linéaire, variance ANOVA, coefficient de détermination
On remarque que certaines des variables proposées ont des corrélations plus
importantes que d'autres. C'est le cas notamment de la variable Horsepower et légèrement en ce qui concerne Fuel.tank.capacity et Weight alors que les autres variables n'ont pas vraiment de corrélation.
[...] On remarque que certaines des variables proposées ont des corrélations plus importantes que d'autres. C'est le cas notamment de la variable Horsepower et légèrement en ce qui concerne Fuel.tank.capacity et Weight alors que les autres variables n'ont pas vraiment de corrélation. Effectuer un ajustement linéaire. call regression=lm(x~y+z+p+q+r+s) regression lm(formula = x ~ y + z + p + q + r + Coefficients: (Intercept) y z p q r - 23.924216 - 0.220043 s - 0.175726 Donner le coefficients de régression et leur seuil de signification : > summary(regression) Call: lm(formula = x ~ y + z + p + q + r + Residuals: Min 1Q Median 3Q Max - 15.4087 - 3.2436 - Coefficients: 5 Carrière Kevin Modèle de régression Estimate Std. [...]
[...] Carrière Kevin Modèle de régression Carrière Kevin Modèle de régression Maintenant notre modèle ne contient plus qu'une variable explicative, à savoir MPG.city, qui a une p-value inférieure à Carrière Kevin Modèle de régression 10)Choisir la variable explicative qui vous semble le mieux expliquer la variable dépendante. Justifier votre choix. Selon toutes les analyses faites auparavant, il est clair que la variable la plus significative est celle de la puissance du véhicule (Horsepower=s). Elle a la meilleure corrélation elle a une probabilité de défaillance extrêmement faible. 11) Effectuer une régression linéaire simple (une variable dépendante, une variable explicative et une constante) de la variable Price en la variable Horsepower. [...]
[...] Error t value t ) (Intercept) y z p q r s --Signif. codes: 0 0.001 0.01 0.05 ‘.' 0.1 ' 1 * e-10 Residual standard error: 5.866 on 86 degrees of freedom Multiple R-squared: Adjusted R-squared: 0.6313 F-statistic: 27.25 on 6 and 86 DF, p-value: [...]
[...] > regression simple > > regression=lm(x~s) > regression Call: lm(formula = x ~ Coefficients: (Intercept) s - Donner les intervalles de confiance pour la prévision pour la variable explicative Horsepower lorsqu'elle prend les valeurs 100 et 200. (10pts) Comparer la longueur de ces deux intervalles, commenter et expliquer. [...]
[...] Cette dernière nous indique la probabilité que la variable donne une valeur extrême. En quelque sorte, plus ce nombre est petit, plus la variable est fiable dans le modèle. C'est ici le cas de la variable Horsepower=s (moins de de défaillance . Donner la prédiction du prix de vente d'un véhicule sachant que MPG.city=20, Horsepower=150, Rev.per.mile=2435, Fuel.tank.capacity= Length=190, Weight=3040. > predict(regression,Price_avec,se.ajust=True) Notre modèle nous donne un prix de 20.41 avec les facteurs donnés dans l'énoncées. Donner, pour cette nouvelle valeur, l'intervalle de confiance et l'intervalle de confiance pour la prévision (à 95%). [...]
Source aux normes APA
Pour votre bibliographieLecture en ligne
avec notre liseuse dédiée !Contenu vérifié
par notre comité de lecture