Guide pratique pour comprendre les publications scientifiques. Épisode 7 – Pourquoi et comment réaliser une régression pour expliquer une variable d’intérêt - 28/03/25
Practical guide to understanding scientific publications. Episode 7 – Why and how to use regression to explain a variable of interest
Bienvenido a EM-consulte, la referencia de los profesionales de la salud.
Artículo gratuito.
Conéctese para beneficiarse!
Résumé |
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.
El texto completo de este artículo está disponible en PDF.Summary |
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.
El texto completo de este artículo está disponible en PDF.Mots clés : Régression linéaire, Régression logistique, Modèle de Cox
Keywords : Linear regression, Logistic regression, Cox model
Esquema
Vol 8 - N° 2
P. 54-56 - avril 2025 Regresar al número
Artículo precedente
- Guide pratique pour comprendre les publications scientifiques. Épisode 9 – données manquantes
- V. Dumas, J.-P. Tasu
- Comment j’évalue un syndrome post-thrombotique ?
- H. Hans, V. Monnin-Bares, F. Thouveny, F. Douane, M. Rodiere, Y. Le Bras, C. Marcelin
Bienvenido a EM-consulte, la referencia de los profesionales de la salud.