Download - régression multiples
![Page 1: régression multiples](https://reader035.vdocuments.mx/reader035/viewer/2022062306/58ef573a1a28ab750f8b4623/html5/thumbnails/1.jpg)
Régression multiples Élaborer par :
Boussaffa Mariem
2015/2016
Université de SfaxFaculté de science économique
et gestion de Sfax
![Page 2: régression multiples](https://reader035.vdocuments.mx/reader035/viewer/2022062306/58ef573a1a28ab750f8b4623/html5/thumbnails/2.jpg)
PlanProblématiqueLes variables utilisées Etude de cas Avec SPSS Avec Eviews Modèle globale
![Page 3: régression multiples](https://reader035.vdocuments.mx/reader035/viewer/2022062306/58ef573a1a28ab750f8b4623/html5/thumbnails/3.jpg)
Problématique : expliquer
l’effet de l’absence et l’ancienneté
des travailleurs
sur leur salaire
![Page 4: régression multiples](https://reader035.vdocuments.mx/reader035/viewer/2022062306/58ef573a1a28ab750f8b4623/html5/thumbnails/4.jpg)
Les variables utilisées
Salaire : les salaires des travailleursAbsence : nombres d’absence de salariéancienneté : nombre d’année de travail
![Page 5: régression multiples](https://reader035.vdocuments.mx/reader035/viewer/2022062306/58ef573a1a28ab750f8b4623/html5/thumbnails/5.jpg)
On prend taille
d’échantillon 151personn
e
![Page 6: régression multiples](https://reader035.vdocuments.mx/reader035/viewer/2022062306/58ef573a1a28ab750f8b4623/html5/thumbnails/6.jpg)
Statistique descriptive
Moyenne
Variable
choisir
Statistiques descriptivesMoyenne Ecart-type N
salaire de travailleur 498,3444 142,05835 151ancienneté de travailleur 5,8874 2,67717 151nombre d'absence 2,8344 2,51510 151
Avec SPSS
![Page 7: régression multiples](https://reader035.vdocuments.mx/reader035/viewer/2022062306/58ef573a1a28ab750f8b4623/html5/thumbnails/7.jpg)
Corrélations Corrélations
salaire de travailleur
ancienneté de
travailleurnombre
d'absence
Corrélation de Pearson
salaire de travailleur 1,000 ,620 ,301
ancienneté de travailleur ,620 1,000 ,195
nombre d'absence ,301 ,195 1,000
Sig. (unilatérale)
salaire de travailleur . ,000 ,000
ancienneté de travailleur ,000 . ,008
nombre d'absence ,000 ,008 .
N
salaire de travailleur 151 151 151
ancienneté de travailleur 151 151 151
nombre d'absence 151 151 151
Sig < 5% sont
significative on rejeté
H0
![Page 8: régression multiples](https://reader035.vdocuments.mx/reader035/viewer/2022062306/58ef573a1a28ab750f8b4623/html5/thumbnails/8.jpg)
Récapitulatif
Récapitulatif des modèlesb
Modèle R R-deuxR-deux ajusté
Erreur standard de l'estimation
Changement dans les statistiques Durbin-WatsonVariation de R-deux
Variation de Fddl1 ddl2 Sig. Variation de F
1 ,646a,418 ,410 109,10835 ,418 53,139 2 148 ,000 1,403
a. Valeurs prédites : (constantes), nombre d'absence, ancienneté de travailleur
b. Variable dépendante : salaire de travailleur
R² ajusté = 0.410Donc ce ne pas
une bon ajustement
linéaire
Significativité = 05% rejeté
H0Le modèle est
globalement significatif
Durbin Watson = 1.403
pas de problème
d’autocorrélation
![Page 9: régression multiples](https://reader035.vdocuments.mx/reader035/viewer/2022062306/58ef573a1a28ab750f8b4623/html5/thumbnails/9.jpg)
Tableau ANOVAModèle Somme des carrés ddl Moyenne des carrés D Sig.
1
Régression 1265200,588 2 632600,294 53,139 ,000b
Résidu 1761885,505 148 11904,632
Total 3027086,093 150
a. Variable dépendante : salaire de travailleur
b. Valeurs prédites : (constantes), nombre d'absence, ancienneté de travailleur
Deux variable explicati
ve
Ficher
Sig = 0 donc modèle globalement significative
![Page 10: régression multiples](https://reader035.vdocuments.mx/reader035/viewer/2022062306/58ef573a1a28ab750f8b4623/html5/thumbnails/10.jpg)
Tableau de résultat Coefficientsa
Modèle Coefficients
non standardisés
Coefficient
s standardisés
t Sig. 95,0% % intervalles
de confiance
pour B
Corrélations Statistiques de
colinéarité
A Erreur standard
Bêta Borne
inférieure
Limite
supérieure
Corrélation simpl
e
Partielle
Partie
Toléranc
e
VIF
1
(Constante) 286,144
22,423
12,761 ,000 241,8
33330,4
56
ancienneté de
travailleur30,96
8 3,393 ,584 9,127 ,000 24,263
37,673 ,620 ,600 ,572 ,962 1,04
0
nombre d'absence
10,541 3,612 ,187 2,919 ,004 3,404 17,67
8 ,301 ,233 ,183 ,962 1,040
a. Variable dépendante : salaire de travailleur
Ancienneté et Nombre d’absence ont un effet sur le salaire car sig < 5%
VIF < 10 pas de problème de
multicorrelianrité
Pvalue < 5% on rejeté H0
Si Pvalue < 0.05 on rejeté H0
Si Pvalue > 0.05 on accepte HO
![Page 11: régression multiples](https://reader035.vdocuments.mx/reader035/viewer/2022062306/58ef573a1a28ab750f8b4623/html5/thumbnails/11.jpg)
Avec Eviews
On prend taille
d’échantillon 151personn
e
![Page 12: régression multiples](https://reader035.vdocuments.mx/reader035/viewer/2022062306/58ef573a1a28ab750f8b4623/html5/thumbnails/12.jpg)
Résultat Sig < 5% donc on rejeté H0
Le modèle est globalement significatif
Durbin Watson = 1.403 pas de problème
d’autocorrélation
R² ajusté = 0.410
Donc ce ne pas une bon
ajustement linéaire
![Page 13: régression multiples](https://reader035.vdocuments.mx/reader035/viewer/2022062306/58ef573a1a28ab750f8b4623/html5/thumbnails/13.jpg)
Modèle globale Salaire = 286,144 +30,968 * ancienneté + 10,541 * nombre d’absence
D’après les résultats de SPSS et Eviews on remarque que l’ancienneté et le nombre d’absence a un effet positive sur les salaires
![Page 14: régression multiples](https://reader035.vdocuments.mx/reader035/viewer/2022062306/58ef573a1a28ab750f8b4623/html5/thumbnails/14.jpg)
Merci de votre
attention