Guide pratique pour comprendre les publications scientifiques. Épisode 7 – Pourquoi et comment réaliser une régression pour expliquer une variable d’intérêt

Abstract

Introduction

En statistique, la régression recouvre plusieurs méthodes d’analyse permettant d’évaluer une variable à partir d’autres qui lui sont corrélées.

Messages principaux

La régression étudie la relation entre une variable, dite « à expliquer », et une ou plusieurs variables, dites « explicatives ». Elle permet d’estimer des coefficients qui quantifient la relation entre la variable à expliquer et le/la variable(s) explicatives(s). Lorsque la valeur explicative est continue, le modèle le plus fréquemment utilisé est la régression linéaire. Lorsque le modèle n’est pas linéaire, une régression approchée par des algorithmes itératifs peut être utilisée et on parle de régression non linéaire. Lorsque la variable est catégorielle, le modèle le plus fréquemment utilisé est la régression logistique. Lorsqu’on s’intéresse à des données de survie, le modèle le plus fréquemment utilisé est le modèle de Cox.

Conclusion

Il existe différentes méthodes de régression permettant d’évaluer la relation entre deux variables. Cet article présente succinctement ces différentes méthodes.

Introduction

Regression is a statistical technique used to study the relationship between one dependent variable and one or more independent variables.

Main messages

Regression is used to estimate coefficients that quantify the relationship between the dependent variable and the independent variable(s). When the dependent variable is continuous, the most frequently used model is linear regression; when it is categorical, the most frequently used model is logistic regression; when survival data are involved, the most frequently used model is the Cox regression model.

Conclusion

There are various regression methods for assessing the relationship between two variables. This article briefly presents these different methods.