Search
   >> Home >> Bookstore >> Social science >> Guide pratique d’introduction à la régression en sciences sociales

Guide pratique d’introduction à la régression en sciences sociales

Authors:
François Pétry and François Gélineau
Publisher: Universite Laval Press
Copyright: 2009
ISBN-13: 978-2-7637-8628-5
Pages: 219; paperback
Price: $29.00
Supplements:Companion website

Comment from the Stata technical group

Guide pratique d’introduction à la régression en sciences sociales, by François Pétry and François Gélineau, offers a brief introduction to exploratory data analysis and applies examples to illustrate the empirical elements associated with linear and logistic regressions.

Chapters 1 and 2 review some of the aspects involved in describing data and preparing them for regression analysis. A number of graphs implemented in Stata are used to examine the behavior of the principal variables associated with the empirical examples.

In chapters 3 and 4, the authors work with data on infant mortality to illustrate the use of simple and multivariate linear regression models. In addition to presenting a series of regression outputs produced in Stata, Pétry and Gélineau describe diagnostic tools that are normally used in standard linear regression.

Chapter 5 provides a short description of the basic elements involved in time-series regression analysis. It discusses the detection of autocorrelation, along with the Prais–Winsten approach to fitting models with autocorrelated errors of order 1. The second part of the chapter describes a case in which government expenses are a function of gross domestic product (GDP). Through the case study, the authors introduce the basic aspects associated with the treatment of nonstationary series in regression analysis. Stata is used to produce most of the graphs and regression outputs contained in this chapter and those that follow.

Chapters 6 and 7 show a case that regards people’s participation in general elections. In chapter 6, the authors fit a logistic model for a binary dependent variable that indicates whether the person voted. The application is extended in chapter 7 by fitting a multinomial model for a categorical dependent variable that is constructed on the basis of participation in the current and previous elections.

The empirical examples and the inclusion of graphs, regression outputs, and summary tables provide smooth reading for the introduction of the technical concepts contained in the text.


Table of contents

Table des matières
Préface
Avant-propos de la deuxième édition
Chapitre 1 : Comment construire une recherche empirique
1.1 Introduction
1.2 Formulation du problème
1.2.1 Un problème doit être motivé
1.2.2 Un problème s’énonce sous forme de question
1.3 Cadre opératoire
1.3.1 L’hypothèse
1.3.2 L’unité d’analyse
1.3.3 La variable
1.3.4 L’indicateur
1.4 Structuration de la preuve
1.5 Cueillette des données
1.6 Analyse des données
1.7 Lectures recommandées
1.7.1 Méthodologie de la recherche
1.7.2 Manuels d’introduction aux statistiques
Chapitre 2 : L’analyse exploratoire univariée
2.1 Introduction
2.2 La mise en ordre des observations
2.3 Les sommaires numériques
2.3.1 Les mesures de tendance centrale
2.3.2 Les mesures de position
2.3.3 Les mesures de dispersion
2.3.4 Les mesures de la forme d’une distribution
2.4 La représentation graphique des données univariées
2.4.1 La tableau de distribution de fréquences (histogramme)
2.4.2 Les diagrammes en « boîte à moustaches »
2.4.3 Le diagramme quantile
2.4.4 Quelques principes de représentation graphique
2.5 Mise en garde à propos des variables binaires et des séries temporelles
2.6 La transformation des données et l’étude exploratoire des données transformées
2.6.1 Règles générales de la transformation
2.6.2 Règles particulières de la transformation
2.6.3 Logarithmes dans la base 10
2.6.4 La division par paquets des données transformées
2.7 Approche confirmatoire
2.7.1 Propriétés d’une distribution normale
2.7.2 Scores standardisés (scores Z)
2.7.3 Distributions d’échantillonnages
2.7.4 Intervalles de confiance
2.8 Lectures recommandées
Chapitre 3 : La régression linéaire simple
3.1 Introduction
3.2 Constatations préliminaires
3.2.1 Association ne veut pas dire causalité
3.2.2 Relation inexacte nécessitant un ajustement
3.2.3 Relation linéaire
3.3 Concepts de l’analyse exploratoire bivariée et de la régression linéaire simple
3.3.1 La droite des moindres carrés
3.3.2 Coefficient de détermination (R2)
3.3.3 Le coefficient de corrélation
3.4 Exemple d’ajustement linéaire : la relation entre mortalité infantile et dépenses en santé
3.4.1 Le diagramme de dispersion
3.4.2 Droites d’ajustement
3.4.3 Élasticité
3.5 Validation du modèle de régression par l’étude des résidus
3.5.1 Présentation graphique des résidus de régression
3.5.2 Analyse des résidus
3.5.3 Que faire des valeurs extrêmes ?
3.6 Estimation des paramètres et inférence
3.6.1 Test de signification du coefficient de régression
3.6.2 Test de signification simplifié
3.6.3 Test de signification du coefficient de corrélation
3.6.4 Interprétation des résultats
Lectures recommandées
Chapitre 4 : Régression linéaire multiple
4.1 Introduction
4.2 Principes de régression multiple
4.2.1 Exemple avec trois variables
4.2.2 Étude de la relation causale
4.2.3 Contrôle statistique
4.3 Combien de variables indépendantes ?
4.3.1 Exemple avec quatre variables
4.3.2 Le R2 adjusté
4.3.3 Mesure de l’impact relatif des variables indépendantes : le coefficient de régression standardisé
4.3.4 Multicolinéarité
4.3.5 Sélection automatique des variables d’un modèle
4.4 Interaction entre variables explicatives
4.4.1 Différentes techniques pour tester les effets d’interaction
4.4.2 Impact d’une variable dichotomique sur l’ordonnée à l’origine
4.4.3 Impact d’une variable dichotomique sur la pente de régression
4.4.4 Impacts d’une variable dichotomique à la fois sur la pente et sur l’ordonnée à l’origine
4.5 Notions avancées
4.5.1 Modèles avec variables instrumentales et systèmes d’équations
4.5.2 Bootstrapping
4.5.3 Modélisation des relations non-linéaires
4.6 Lectures recommandées
Chapitre 5 : Séries temporelles
5.1 Introduction
5.2 L’autocorrélation
5.2.1 Comment diagnostiquer l’autocorrélation ?
5.2.2 Modèle autorégressif
5.3 La stationnarité
5.3.1 Comment vérifier le postulat de stationnarité
5.3.2 Transformation des données par la méthode des différences
5.4 Exemple : la croissance économique et les dépenses du gouvernement fédéral canadien
5.4.1 Transformation des données par la méthode Prais-Winsten
5.5 Notions avancées
5.5.1 Variables à la traîne
5.5.2 Modèles autorégressifs d’ordre supérieur
5.5.3 Prévisions (forecasting)
5.5.4 Co-intégration
5.6 Données avec variation spatio-longitudinale
5.7 Lectures recommandées
Chapitre 6 : L’analyse de régression logistique
6.1 Introduction
6.2 Problèmes avec la régression linéaire
6.3 La transformation logit
6.4 La régression logistique binaire
6.4.1 Coefficients de régression logistique
6.4.2 Tests d’adéquation d’ensemble du modèle
6.4.3 Analyse des résidus
6.5 La régression logistique multinomiale
6.6 La régression logistique ordonnée
6.7 Notions avancées
6.7.1 La régression logistique conditionnelle
6.7.2 L’indépendance des solutions non pertinentes
6.7.3 Les autres modèles de maximum de vraisemblance
6.8 Lectures recommandées
Annexes : Tableaux statistiques
Annexe 1. Distribution du t
Annexe 2. Distribution du F
Annexe 3. Distribution du chi-carré
Annexe 4. Distribution normale (Z)
Annexe 5. Durbin-Watson
Annexe 6. Table de Dickey-Fuller
Index
The Stata Blog: Not Elsewhere Classified Find us on Facebook Follow us on Twitter LinkedIn Google+ Watch us on YouTube