Régression linéaire

Régression linéaire : encyclopédie mathématiques

Cet article est issu de l'encyclopédie libre Wikipedia.
Vous pouvez consulter l'article ici ainsi que son historique.
Les textes et les images sont disponibles sous les termes de la Licence de documentation libre GNU.

Aller à : Navigation, Rechercher

Pour les articles homonymes, voir Régression.

Un exemple graphique

En statistiques, il arrive que deux grandeurs X et Y apparaissent liées par relation affine :

Y = a·X + b.

La régression linéaire consiste à déterminer une estimation des valeurs a et b et à quantifier la validité de cette relation grâce au coefficient de corrélation linéaire. La généralisation à p variables :

« Y = a₀ + a₁·X₁ + a₂·X₂ + … + a_p·X_p » s'appelle la régression linéaire multiple.

Sommaire

[modifier] Situation

À partir de mesures de couples de valeurs (x_i, y_i), on a représenté dans un graphe un ensemble de points M_i(x_i, y_i) | i = [1…n] représentant des mesures d'une grandeur $y$ en fonction d'une autre x, par exemple la taille y_i des enfants en fonction de leur âge x_i.

Les points M_i paraissent alignés. On peut alors tenter une régression linéaire, c'est-à-dire chercher la droite D dont l'équation est y = a x + b et qui passe au plus près des points M_i.

Passer au plus près, selon la méthode des moindres carrés, c'est rendre minimale la somme des carrés des écarts des points à la droite :

$\sum_{i=1}^n (y_i-ax_i-b)^2$

où (y_i - ax_i - b)² représente le carré de la distance verticale du point expérimental M_i à la droite considérée comme la meilleure.

Cela revient donc à déterminer les valeurs des paramètres a et b (respectivement le coefficient directeur de la droite et son ordonnée à l'origine) qui minimisent la somme ci-dessus.

[modifier] Formules à connaître

La moyenne des x_i : $\overline{x}=\frac{1}{n}\sum_{i=1}^n x_i$
la moyenne des y_i : $\overline{y}=\frac{1}{n}\sum_{i=1}^n y_i$
le point moyen G a pour coordonnées $(\overline{x},\overline{y})$
la variance des x_i : $V(x) =\frac{1}{n}\sum_{i=1}^n (x_i-\overline{x})^2 = \overline{x^2}-{\overline{x}}^2$ <mnémonique : la moyenne des carrés moins le carré de la moyenne>
l'écart type des x_i : $\sigma_x= \sqrt{V(x)}$
la variance des y_i : $V(y) =\frac{1}{n}\sum_{i=1}^n (y_i-\overline{y})^2 = \overline{y^2}-{\overline{y}}^2$ <mnémonique : la moyenne des carrés moins le carré de la moyenne>
l'écart type des y_i : $\sigma_y= \sqrt{V(y)}$
la covariance des x_i, y_i : $cov(x,y) = \frac{1}{n}\sum_{i=1}^n (x_i-\overline{x})(y_i-\overline{y}) = \overline{x \cdot y}-\overline{x} \cdot \overline{y}$ <mnémonique : la moyenne des produits moins le produit des moyennes>

[modifier] Résultat de la régression

La droite rendant minimale la somme précédente passe par le point G et a pour coefficient directeur $\frac{cov(x,y)}{V(x)}$ . Son équation est donc :

$y = \frac{cov(x,y)}{V(x)}(x-\overline{x})+\overline{y}$

soit

$a = \frac{cov(x,y)}{V(x)}$

$b = \overline{y} - \frac{\overline{x} \cdot cov(x,y)}{V(x)} = \overline{y} - a \cdot \overline{x}$

[modifier] Erreur commise

Si l'on appelle ε_i l'écart vertical entre la droite et le point (x_i, y_i)

$\varepsilon_i = y_i - a x_i - b$

alors l'estimateur de la variance résiduelle σ²_ε est :

$\hat{\sigma}_\varepsilon^2 = \frac{1}{n-2} \cdot \sum_{i = 1}^n \varepsilon_i^2$

la variance de a, σ²_a, est estimée par

$\hat{\sigma}_a^2 = \frac{\hat{\sigma}_\varepsilon^2}{n \cdot V(x)}$ .

On est dans le cadre d'un test de Student sur l'espérance avec écart type inconnu. Pour un niveau de confiance α donné, on estime que l'erreur sur a est :

$\Delta a = \hat{\sigma}_a \cdot t^{n-2}_{(1-\alpha)/2}$

où t^n-2_(1-α)/2 est le quantile d'ordre α/2 de la loi de Student à n-2 degrés de liberté.

L'erreur commise en remplaçant la valeur mesurée y_i par le point de la droite ax_i + b est :

$\Delta y = \hat{\sigma}_\varepsilon \cdot t^{n-2}_{(1-\alpha)/2}$

À titre d'illustration, voici quelques valeurs de quantiles.

Exemples de quantiles de la loi de Student
n	niveau de confiance
n	90 %	95 %	99 %	99,9 %
5	2,02	2,57	4,032	6,869
10	1,812	2,228	3,169	4,587
100	1,660	1,984	2,626	3,390

Lorsque le nombre de points est important (plus de 100), on prend souvent une erreur à 3σ, qui correspond à un niveau de confiance de 99,7 %.

Voir aussi : Erreur (métrologie).

[modifier] Coefficient de corrélation linéaire

On peut aussi chercher la droite D' : x = a'y + b' qui rende minimale la somme :

$\sum_{i=1}^n (x_i-a'y_i-b')^2$

On trouve alors une droite qui passe aussi par le point moyen G et telle que

$a' = \frac{cov(x,y)}{V(y)}$ .

On souhaite évidemment tomber sur la même droite. Ce sera le cas si et seulement si

a' = 1/a,

c'est-à-dire si

aa' = 1.

Les droites sont confondues si et seulement si

$\frac{cov(x,y)^2}{V(x)V(y)}=1$

c'est-à-dire si et seulement si

$\frac{cov(x,y)}{\sigma_x\sigma_y} =\pm 1$

On appelle cette quantité $R=\frac{cov(x,y)}{\sigma_x\sigma_y}$ le coefficient de corrélation linéaire entre x et y. On peut démontrer que ce nombre est toujours compris entre -1 et 1.

En pratique sa valeur absolue est rarement égale à 1, mais on estime généralement que l'ajustement est valide dès que ce coefficient a une valeur absolue supérieure à $\sqrt{3}/2$

Voir également : Corrélation (mathématiques).

[modifier] Démonstration des formules par étude d'un minimum

Pour tout réel a, on pose $f_a(b) = \sum_{i=1}^n (y_i-ax_i-b)^2$ . Il suffit de développer et ordonner ce polynôme du second degré en b. On obtient:

$f_a(b) = nb^2-2\left(\sum_{i=1}^n (y_i-ax_i)\right)b+ \sum_{i=1}^n (y_i-ax_i)^2$

Ce polynôme atteint son minimum en

$b = \frac{1}{n}\sum_{i=1}^n (y_i-ax_i) = \overline{y} - a\overline{x}$

Ce qui signifie que la droite passe par le point moyen G

Il reste à remplacer dans la somme de départ, b par cette valeur.

Pour tout réel a, $S(a) = \sum_{i=1}^n ((y_i-\overline{y}) - a(x_i-\overline{x}))^2$ . Il suffit de développer et ordonner ce polynôme du second degré en a. On obtient

$S(a) = \left(\sum_{i=1}^n (x_i-\overline{x})^2\right)a^2 - 2\left(\sum_{i=1}^n (x_i-\overline{x})(y_i-\overline{y})\right)a + \sum_{i=1}^n (y_i - \overline{y})^2$

$S(a)= n\times V(x)\times a^2-2\times n\times cov(x,y)\times a + n\times V(y)$ .

Ce polynôme atteint son minimum en

$a=\frac{cov(x,y)}{V(x)}$

La droite de régression est bien la droite passant par G et de coefficient directeur $a=\frac{cov(x,y)}{V(x)}$ .

[modifier] Démonstration des formules grâce aux espaces vectoriels de dimension n

Dans l'espace $\mathbb{R}^n$ , muni du produit scalaire canonique, on considère le vecteur X de coordonnées $(x 1, x 2,..., x n)$ , le vecteur Y de coordonnées $(y 1, y 2,..., y n)$ , le vecteur U de coordonnées (1, 1, ..., 1).

On peut remarquer que :

$X.U = n\overline{x}$
$Y.U = n\overline{y}$
$||X-\overline{x}U||^2 = n.V(x)$
$||Y-\overline{y}U||^2 = n.V(y)$
$(Y-\overline{y}U).(X-\overline{x}U)=n.cov(x,y)$

On note alors $\overline{X}$ le vecteur $\overline{x}U$ et $\overline{Y}$ le vecteur $\overline{y}U$

Le vecteur Z de coordonnées $(a x 1 + b, a x 2 + b,..., a x n + b)$ appartient à l'espace vectoriel engendré par X et U.

La somme $\sum_{i=1}^n (y_i-ax_i-b)^2$ représente le carré de la norme du vecteur $Y - Z$ .

Cette norme est minimale si et seulement si Z est le projeté orthogonal de Y dans l'espace vectoriel vect(X,U).

Z est le projeté de Y dans l'espace vectoriel vect(X,U) si et seulement si $(Z - Y). U = 0$ et $(Z-Y).(X - \overline{X})=0$ .

Or $(Z-Y).U=aX.U+bU^2-Y.U=n(a\overline{x}+b-\overline{y})$ donc (Z-Y).U=0 signifie que $b= \overline{y} - a\overline{x}$ .

En remplaçant dans $(Z-Y).(X - \overline{X})$ , on obtient

$(a(X-\overline{X})-(Y-\overline{Y})).(X - \overline{X}) = naV(x) - ncov(x,y)$ donc $(Z-Y).(X - \overline{X})=0$ signifie que $a = \frac{cov(x,y)}{V(x)}$

Enfin le coefficient de corrélation linéaire s'écrit alors $\frac{(X-\overline{X}).(Y-\overline{Y})}{||X-\overline{X}||\times||Y-\overline{Y}||}$ . Cette quantité représente le cosinus de l'angle formé par les vecteurs $X-\overline{X}$ et $Y-\overline{Y}$ .

On retrouve alors les résultats suivants:

si le coefficient de corrélation linéaire est 1 ou -1, les vecteurs $X-\overline{X}$ et $Y-\overline{Y}$ sont colinéaires de coefficient de colinéarité $a$ et $Y = aX + \overline{Y}-a\overline{X}$ . L'ajustement linéaire est parfait.
si le coefficient de corrélation linéaire est en valeur absolue supérieur à $\sqrt{3}/2$ alors l'angle formé par les deux vecteurs est compris entre $- π / 6$ et $π / 6$ ou entre $5π / 6$ et $7π / 6$ .

[modifier] Généralisation: le cas matriciel

Article détaillé : Régression linéaire multiple.

Lorsqu'on dispose de plusieurs variables explicatives dans une régression linéaire, il est souhaitable d'avoir recours aux notations matricielles. Si l'on dispose d'un jeu de n données $(y i) i = 1.. n$ que l'on souhaite expliquer par k variables explicatives (y compris la constante) $(1; x_{1,i}; \cdots ; x_{k-1,i})_{i=1..n}$ , on peut poser:

$\mathbf{y} = \begin{bmatrix} y_1 \\ \vdots \\ y_n \end{bmatrix} \,\mbox{et}\, \mathbf{X} = \begin{bmatrix} 1 & x_{1,1} & \cdots & x_{k-1,1} \\ 1 & x_{1,2} & \cdots & x_{k-1,2}\\ \vdots & \vdots & \vdots \\ 1 & x_{1,n} & \cdots & x_{k-1,n} \end{bmatrix}$

La régression linéaire s'exprime sous forme matricielle:

$\mathbf{y} = \mathbf{X} \boldsymbol{\beta} + \boldsymbol{\varepsilon}$

et il est question d'estimer le vecteur de coefficients k × 1 $\boldsymbol{\beta}$ .

Son estimateur par moindre carré est:

$\boldsymbol{\widehat{\beta}} = (\mathbf{X}^{T} \mathbf{X})^{-1} \mathbf{X}^{T} \mathbf{y}$

Il faut que la matrice X soit de plein rang ( ${\rm rang}(\mathbf{X})=k$ ) afin que $\mathbf{X}^{T} \mathbf{X}$ soit inversible.

L'estimation de la matrice (symétrique) de variance-covariance de cet estimateur est:

$\boldsymbol{\widehat{\sigma}_{\widehat{\beta}}} = \begin{bmatrix} \hat{\sigma}^2_{\hat{\beta}_1} & \widehat{cov}(\hat{\beta}_1,\hat{\beta}_2) & \cdots & \widehat{cov}(\hat{\beta}_1,\hat{\beta}_k) \\ \widehat{cov}(\hat{\beta}_2,\hat{\beta}_1) & \widehat{\sigma}^2_{\hat{\beta}_2} & \cdots & \widehat{cov}(\hat{\beta}_2,\hat{\beta}_k) \\ \vdots & \vdots & \vdots & \vdots \\ \widehat{cov}(\hat{\beta}_n,\hat{\beta}_2) & \cdots & \cdots & \widehat{\sigma}^2_{\hat{\beta}_n}\end{bmatrix} = \frac{\mathbf{\widehat{e}}^{T} \mathbf{\widehat{e}}}{(n-k)} (\mathbf{X}^{T} \mathbf{X})^{-1}$

Le terme $\mathbf{\widehat{e}}^{T} \mathbf{\widehat{e}}$ représente la somme des carrés des résidus $\mathbf{\widehat{e}} = y - \widehat{\mathbf{y}} = \mathbf{X} \boldsymbol{\widehat{\beta}}$ .

La qualité de l'ajustement linéaire se mesure encore par un coefficient de corrélation $R 2$ , défini ici par:

$R^2 = \frac{{\rm SCE}}{{\rm SCT}}$

où SCE (respectivement SCT) représente la somme des carrés expliqués (respectivement la somme des carrés totaux). Ces sommes se donnent par ${\rm SCE} = \widehat{\mathbf{y}}^{T} \widehat{\mathbf{y}} = \sum_i \widehat{y}_i^2$ et ${\rm SCT} = \mathbf{y}^T \mathbf{y}= \sum_i y_i^2$ .

[modifier] Voir aussi

Statistiques
Statistique (mathématiques élémentaires)
Régression mathématique
Corrélation (mathématiques)
Régression linéaire multiple, la généralisation à p variables explicatives de la régression linéaire $y = f(x_1, x_2, ..., x_p)\,$ .
Modèles de régression multiple postulés et non postulés