Régression logistique
Exercice 3.1
Les données logistclient contiennent des données simulées pour un cas fictif de promotion pour des clients.
- Estimez le modèle logistique pour la probabilité que
promo=1avec les variables explicativesnachats,sexeettclient. - Interprétez les coefficients du modèle à l’échelle de la cote en terme de pourcentage d’augmentation ou de diminution.
- Testez si l’effet de
nachatsest statistiquement significatif à niveau \(\alpha = 0.05\). - Choisissez un point de coupure pour la classification pour maximiser le taux de bonne classification.
- Pour le point de coupure choisi, construisez une matrice de confusion.
- Calculez la sensibilité, la spécificité et le taux de bonne classification manuellement. Vérifiez vos réponses avec la sortie du tableau.
- Produisez un graphique de la fonction d’efficacité du récepteur (courbe ROC) et rapportez l’aire sous la courbe estimée à l’aide de la validation croisée.
- Calculez la statistique de Spiegelhalter (1986) pour la calibration du modèle. Y a-t-il des preuves de surajustement?
Exercice 3.2
Le modèle de Bradley & Terry (1952) décrit la probabilité que le résultat de l’ «équipe \(i\) » soit supérieur à celui de l’«équipe» \(j\), \[\begin{align*} \Pr(Y_i > Y_j)= \frac{\exp(\beta_i)}{\exp(\beta_i) + \exp(\beta_j)}, \quad i, j \in \{1, \ldots, K\}, \end{align*}\] en assumant que les doublons (égalité) ne surviennent pas.
Ce modèle simple peut servir pour prédire le classement d’équipes sportives: si on écrit le modèle en terme de cote, on obtient pour l’équipe \(i\) à domicile et l’équipe \(j\) en visite \[\begin{align*} \ln\left\{\frac{\Pr(\text{victoire équipe $i$ (domicile)})}{\Pr(\text{victoire équipe $j$ (visiteur)})}\right\}= \beta_i - \beta_j. \end{align*}\]
Le modèle décrit ci-dessus peut être ajusté à l’aide d’une régression logistique avec un ensemble de \(K-1\) variable explicatives1 où pour le match \(i\) et l’équipe \(k=2, \ldots, K\), on a \[\begin{align*} X_{ik} = \begin{cases} \hphantom{-}1, & k = i,\\ -1, & k = j,\\ \hphantom{-}0, & \text{sinon}. \end{cases} \end{align*}\] Le modèle Bradley–Terry de base n’a pas d’ordonnée à l’origine. Si on l’ajoute, l’équation du modèle pour une partie devient \[\begin{align*} \ln\left\{\frac{\Pr(\text{victoire équipe $i$ (domicile)})}{\Pr(\text{victoire équipe $j$ (visiteur)})}\right\}= \alpha + \beta_i - \beta_j, \end{align*}\] où \(\beta_i\) représente la force de l’équipe à domicile, \(\beta_j\) la force de l’équipe en visite et l’ordonnée à l’origine \(\alpha\) capture l’effet du jeu à domicile.
La base de données lnh du paquet hecmulti contient les résultats de chaque partie par équipe, tandis que lnh_BT fournit les mêmes données, mais dans un format propice pour l’ajustement du modèle de Bradley–Terry.
Ajustez le modèle de Bradley–Terry aux données lnh_BT (utilisez la formule vainqueur ~ . pour ajuster le modèle avec toutes les équipes). La catégorie de référence est Anaheim_Ducks, qui n’apparaît pas dans les sorties.
- Interprétez le coefficient pour l’ordonnée à l’origine \(\alpha\) en terme de pourcentage d’augmentation ou de diminution de la cote par rapport à la référence jouer à l’extérieur.
- Calculez un intervalle de confiance de niveau 95% pour l’ordonnée à l’origine et déterminez si jouer à domicile impacte significativement le score.
- Fournissez un tableau avec le classement des cinq premières équipes qui ont la plus grande chance de succès selon le modèle.2
- Pour chaque match, utilisez le modèle logistique pour prédire l’équipe gagnante.
- Construisez une matrice de confusion (1 pour une victoire de l’équipe à domicile, 0 sinon) avec un point de coupure de 0.5 (assignation à l’événement ou à la classe la plus probable) et rapportez cette dernière.
- Calculez le taux de bonne classification, la sensibilité et la spécificité à partir de votre matrice de confusion.
- Produisez un graphique de la fonction d’efficacité du récepteur et rapportez l’aire sous la courbe. Commentez sur la qualité prédictive globale du modèle.
Exercice 3.3
On s’intéresse à la satisfaction de clients par rapport à un produit. Cette dernière est mesurée à l’aide d’une échelle de Likert, allant de très insatisfait (1) à très satisfait (5). Les 1000 observations se trouvent dans la base de données multinom du paquet hecmulti.
Modélisez la satisfaction des clients en fonction de l’âge, du niveau d’éducation, du sexe et du niveau de revenu. Ajustez le modèle de régression multinomiale logistique avec 1 comme catégorie de référence pour la satisfaction, 1 pour revenu et sec pour éducation3 et utilisez ce dernier pour répondre aux autres questions.
- Interprétez l’effet des variables éducation et sexe pour la catégorie 2 par rapport à 1.
- Est-ce que le modèle avec une probabilité constante pour chaque item est adéquat lorsque comparé au modèle qui inclut toutes les covariables?
- Est-ce que l’effet de la variable âge est globalement significatif?
- Fournissez un intervalle de confiance à niveau 95% pour l’effet multiplicatif d’une augmentation d’une unité de la variable âge pour chacune des cote par rapport à très insatisfait (
1). Que concluez-vous sur l’effet de âge pour les réponses 2 à 5 par rapport à 1? - Écrivez l’équation de la cote ajustée pour satisfait (
4) par rapport à très insatisfait (1). - Prédisez la probabilité qu’un homme de 30 ans qui a un diplôme collégial et qui fait partie de la classe moyenne sélectionne une catégorie donnée. Quelle modalité est la plus susceptible?
Exercice 3.4
Dans une étude sur le comportement d’investisseurs et leur perception du comportement aléatoire ou épistémique de la bourse, Walters et al. (2023) étudie la présentation de résultats financiers et l’impact du format (par exemple, par le biais de différents graphiques) sur leur perception du risque. Le but de l’étude 4A de l’article est d’établir l’effet modérateur de l’incertitude (épistémique ou aléatoire) sur le risque et les décisions d’investissement.
Les données compinvest fournissent les observations de l’étude.
Ajustez un modèle logistique avec effets principaux (risque, aleatoire, epistemique) et une interaction entre risque et aléatoire, ainsi que risque et épistémique comme dans l’article.
- Rapportez un tableau des coefficients du modèle et comparez avec les résultats du Tableau 3 de la prépublication.4
- Interpétez l’effet d’une augmentation de l’échelle de risque de forte aversion (
risque = 1) à en quête de risque (risque = 4) en terme de pourcentage d’augmentation ou diminution de la cote pour - un score aléatoire (aleatoire) de 1 point supérieur à la moyenne des scores de l’échantillon et- un score pour
epistemiqueégal à la moyenne de l’échantillon.5
- un score pour
- Vérifiez l’hypothèse de modération des auteurs en déterminant si l’effet des termes d’interaction est significativement non-nul à niveau 5%.
- Rapportez les valeurs des statistiques de test et les valeur-\(p\) associées. Commentez sur les résultats obtenus.
- Produisez un graphique de la probabilité prédite d’investir (axe des ordonnées) en fonction de l’échelle pour la perception de l’aléatoire (
aleatoire, axe des abcisses) pour une personne avec un scoreepistemiqueégal à la moyenne.- Tracez deux courbes: une pour une personne avec un score de risque de 1 (forte aversion au risque), l’autre avec un score de 4 (en quête de risque).6
- En vous basant sur le graphique, commentez sur les différences estimées en terme de décision d’investissement, selon le profil de risque.
Exercice 3.5
La base de données reduflation du paquet R hecmulti contient les données de Evangelidis (2024).
Ajustez un modèle de régression logistique pour la perception des consommateurs en fonction des variables explicatives suivantes (modèle à deux facteurs avec interactions):
- l’information sur les coûts (
couts) de production, soit dus à une augmentation ou sans changement - la décision d’affaire (
decision): soit réduire la quantité ou augmenter les prix.
- Interprétez l’ordonnée à l’origine.
- Classez les quatre combinaisons de facteurs (
couts\(\times\)decision) en ordre de probabilité décroissante pour injustice. - Interprétez le coefficient pour
decision:quantité réduite. - Qu’est-ce qui est le mieux perçu par les participants de l’étude: la réduflation ou une augmentation de prix? Est-ce que ce résultat dépend de la justification d’affaires?
Références
Notes de bas de page
Il n’y a pas de variable explicative \(X_{\text{ref}}\) pour la catégorie de référence, autrement les données seraient colinéaires. Une des catégories \(\text{ref} \in \{1, \ldots, K\}\) sert de référence et le coefficient correspondant est nul, soit \(\beta_{\text{ref}}=0\).↩︎
Attention à la catégorie de référence!↩︎
Utilisez la fonction
relevelpour changer la catégorie de référence, avecrelevel(educ, ref = 'sec').↩︎Notez que les auteurs de l’article ont centré préalablement les variables explicatives (c’est-à-dire, en soustrayant la moyenne de chacune des colonnes).↩︎
Astuce: vous pouvez calculer le rapport de cote en remplaçant les coefficients dans l’équation, ou prédire les probabilités pour les deux profils de personnes présentés et calculer le rapport de cote.↩︎
Astuce: créez une base de données (
data.frame) avec une séquence adéquate de valeurs dealeatoirepour les valeurs données derisqueet deepistemique.↩︎