régression multiples

Régression multiples Élaborer par :

Boussaffa Mariem

2015/2016

Université de SfaxFaculté de science économique

et gestion de Sfax

PlanProblématiqueLes variables utilisées Etude de cas Avec SPSS Avec Eviews Modèle globale

Problématique : expliquer

l’effet de l’absence et l’ancienneté

des travailleurs

sur leur salaire

Les variables utilisées

Salaire : les salaires des travailleursAbsence : nombres d’absence de salariéancienneté : nombre d’année de travail

On prend taille

d’échantillon 151personn

e

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

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

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

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

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

Avec Eviews

On prend taille

d’échantillon 151personn

e

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

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

Merci de votre

attention