000			03194cam a2200301zu 4500
001			88876314
003			FRCYB88876314
005			20250107232616.0
006			m o d
007			cr un
008			250108s2019 fr | o|||||0|0|||fre d
020			_a9782759820764
035			_aFRCYB88876314
040			_aFR-PaCSA _bfr _c _erda
100	1		_aCornillon, Pierre-André
245	0	1	_aRégression avec R _c['Cornillon, Pierre-André', 'Hengartner, Nicolas', 'Matzner-Løber, Eric']
264		1	_bEDP Sciences _c2019
300			_a p.
336			_btxt _2rdacontent
337			_bc _2rdamdedia
338			_bc _2rdacarrier
650		0	_a
700	0		_aCornillon, Pierre-André
700	0		_aHengartner, Nicolas
700	0		_aMatzner-Løber, Eric
856	4	0	_2Cyberlibris _uhttps://international.scholarvox.com/netsen/book/88876314 _qtext/html _a
520			_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.
999			_c72506 _d72506