Scribd
Importer
4 vues3 pages

Corrélation Budget-Bénéfices 2023

Le document présente une analyse statistique des données de budget publicitaire et de bénéfices, incluant le calcul du coefficient de corrélation, des estimations de régression linéaire, et de l'analyse de variance. Les résultats montrent un coefficient de détermination R^2 de 0.979 et des intervalles de confiance pour les coefficients a et b. Les tests de significativité indiquent que les coefficients a et b sont significativement différents de 0.

Transféré par

Lemon BOI
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd
4 vues3 pages

Corrélation Budget-Bénéfices 2023

Le document présente une analyse statistique des données de budget publicitaire et de bénéfices, incluant le calcul du coefficient de corrélation, des estimations de régression linéaire, et de l'analyse de variance. Les résultats montrent un coefficient de détermination R^2 de 0.979 et des intervalles de confiance pour les coefficients a et b. Les tests de significativité indiquent que les coefficients a et b sont significativement différents de 0.

Transféré par

Lemon BOI
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

Presentation STAT-MATH

BACHELOR 3

2023-10-16

Tableau des données sur le budget de publicité et les bénéfices


1. Calculons le coefficient de corrélation

budget benefices
15 48
8 43
36 77
41 89
16 50
8 40
21 56
21 62
53 100
10 47
32 71
17 58
58 102
6 35
20 60

## $ho = 0.989

2. Calculer les estimations \(a\hat{}\) et \(b\hat{}\):


Régression linéaire

regression <- lm(tab$benefices ~ tab$budget)

Coefficients a^ et b^

a_chap <- regression$coefficients[2]


b_chap <- regression$coefficients[1]

a_chap

## tab$budget
## 1.278709
b_chap

1
## (Intercept)
## 31.67382

3. Préciser l’équation d’analyse de la variance et calculer le coefficient de déter-


mination \(R^2\):
Analyse de la variance

anova_res <- anova(regression)


anova_res

## Analysis of Variance Table


##
## Response: tab$benefices
## Df Sum Sq Mean Sq F value Pr(>F)
## tab$budget 1 6137.7 6137.7 604.41 2.77e-12 ***
## Residuals 13 132.0 10.2
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Coefficient de détermination R^2

R_squared <- summary(regression)$[Link]

cat("R^2 =",round(R_squared,3))

## R^2 = 0.979

4. 4. Estimation des variances de \(\hat{a}\) et \(\hat{b}\) sachant que


\(\hat{\sigma}^2_{\epsilon} = 10.155\):
Nombre d’observations

n <- length(tab$budget)

Estimation des variances de a^ et b^

var_a_chap <- (10.155 / sum((tab$budget - (n*mean(tab$budget))^2)))

var_b_chap <- (10.155* sum(tab$budget^2)) / (n * sum((tab$budget - mean(tab$budget))^2))

cat("a^ =",var_a_chap, "\n")

## a^ = -5.167155e-06
cat("b^ =",var_b_chap)

## b^ = 2.252619

5. Calculer les intervalles de confiance pour 𝑎, 𝑏 et 𝜎𝜖2 au seuil 𝛼 = 0.05:


Intervalle de confiance pour a

a_ci <- confint(regression)[2, ]


print(a_ci)

2
## 2.5 % 97.5 %
## 1.166343 1.391075

Intervalle de confiance pour b

b_ci <- confint(regression)[1, ]


print(b_ci)

## 2.5 % 97.5 %
## 28.43139 34.91625

Intervalle de confiance pour sigma^2_epsilon

sigma2_epsilon_ci <- c(10.155 / qchisq(1 - 0.025, df = n - 2), 10.155 / qchisq(0.025, df = n - 2))

print(sigma2_epsilon_ci)

## [1] 0.4105418 2.0274518

6. Tester si les coefficients 𝑎 et 𝑏 sont significativement différents de 0 (au niveau


de confiance de 95%):
Test de significativité pour a et b

p_value_a <- summary(regression)$coefficients[2, 4]


p_value_b <- summary(regression)$coefficients[1, 4]

alpha <- 0.05

if (p_value_a < alpha) { print("a est significativement différent de 0.") } else { print("a n'est pas si

## [1] "a est significativement différent de 0."


if (p_value_b < alpha) { print("b est significativement différent de 0.") } else { print("b n'est pas si

## [1] "b est significativement différent de 0."

Vous aimerez peut-être aussi