Régression Linéaire : Que Faire Lorsque Les Hypothèses Ne Sont Pas Vérifiées ? -100JoursDeML-Jour 41

[@enviedapprendre3188]

Je n'ai pas encore regardé cette vidéo mais sachez que vous faites un excellent travail Madame. A demain pour la suite

[@LeCoinStat]

Thanks😇

[@ramoda13]

nice video , courage Natacha pour le reste de ce challenge

[@LeCoinStat]

Merci:)

[@sodeidelphonse8640]

La dépendance des erreurs peut être aussi due au fait que les observations sont spatialement auto-corrélées (pas uniquement pour les séries temporelles qui sont auto-corrélées dans le temps). C'est souvent le cas des données économétriques (surfaciques) ou géostatistiques (ponctuelles). La solution est l'utilisation des modèles spatiaux comme les modèles autorégressifs spatiaux (e.g. Spatial Lag models, Spatial error models, CAR models, etc.) ou les modèles géostatistiques incluant des erreurs spatiales structurées modélisés par un processus Gaussien paramétré par une matrice de covariance approprié. Le cas le plus général est celui des données en panneau (Panel data) et données spatio-temporelles, i.e. l'espace croisé avec le temps et là il faut des modèles tenant compte des deux types d'autocorrélation des erreurs (dépendances spatiale et temporelle). Ce sont des méthodes très avancées demandant des compétences additionnelles en SIG.

[@jeanrolandebendependa4099]

je suis vraiment d'accord avec vous, beaucoup ne prennent pas la dépendance spatiale quand c'est nécessaire

[@MarlandLynval]

Excellent !

[@LeCoinStat]

Merci

[@angouloumoudjimet1811]

❤❤❤❤❤❤❤

[@LeCoinStat]

♥

[@MarlandLynval]

L'invalidation de l'hypothèse de linéarité équivaut à un problème de spécification du modèle et cela entraîne des coefficients biaisés.

[@LeCoinStat]

Exact Salabiakou. Merci pour le partage:)