La régression est un outil statistique puissant pour comprendre et prédire les relations entre les variables. Que vous analysiez des facteurs de risque, l'efficacité de traitements ou des tendances épidémiologiques, nos modèles de régression vous fournissent des insights clairs et actionnables.
Modélise la relation linéaire entre une variable dépendante quantitative et une seule variable indépendante quantitative.
Prédit une variable dépendante quantitative à partir de plusieurs variables indépendantes (quantitatives et/ou qualitatives).
Modélise la probabilité d'un événement binaire (oui/non, présent/absent) en fonction de variables explicatives.
Utilisée pour modéliser le nombre d'occurrences d'un événement (comptages) sur une période ou dans un espace donné.
Capture les relations non-linéaires entre les variables en utilisant des termes polynomiaux.
| Variable | Estimate | Std. Error | t value | Pr(>|t|) |
|---|---|---|---|---|
| Age | 0.05 | 0.01 | 5.00 | < 0.001 |
| Sexe (Femme) | -0.80 | 0.25 | -3.20 | 0.001 |
| Traitement (Oui) | 1.20 | 0.30 | 4.00 | < 0.001 |
Intercepts (seuils):
Sain|Modéré: -2.50
Modéré|Sévère: 0.50
Modélise une variable dépendante ordinale (ex: gravité de la maladie: léger, modéré, sévère) en fonction de prédicteurs.
Analyse et visualisation des données collectées sur une période de temps, permettant d'identifier les tendances, les saisonnalités et les anomalies.
Évalue la performance d'un modèle de classification binaire en visualisant la capacité à distinguer les vrais positifs des faux positifs.
Contactez-nous pour une consultation personnalisée et découvrez le modèle de régression le plus adapté à vos questions de recherche.
Demander une Consultation