Régression multinomiale

Contenu

• Méthodes d’imputation pour données manquantes
• Modèles de régression pour données multinomiales

Lecture

• Chapitre sur les données manquantes
• Chapitre sur la régression logistique, Section 4

Diapositives

• Régression logistique
• Code

Objectifs d’apprentissage

• Pouvoir calculer le taux de cas manquants
• Classifier les données manquantes (complètement aléatoire, aléatoire, non aléatoire) selon le contexte
• Pouvoir utiliser l’imputation multiple avec les modèles de régression
• À l’aide de logiciel, pouvoir proposer des modèles de régression logistique pour la prédiction et la classification
• Être en mesure d’expliquer le ciblage et d’offrir des stratégies pour la prédiction.
• Être capable d’interpréter les coefficients d’un modèle multinomial logistique ou d’un modèle cumulatif à cotes proportionnelles
• Pouvoir effectuer un test du postulat de cotes proportionnelles
• Être en mesure de calculer les prédictions d’un modèle multinomial logistique simple