Contexte d'utilisation du modèle de régression logistique
• Variable explicative et variable expliquée (continue / binaire)
• Différences entre la régression linéaire classique et la régression logistique
• Variables explicatives qualitatives, variables explicatives quantitatives
• Objectifs de la régression logistique
• Définition du modèle Logit (courbe sigmoïde)
• Découpage en classes des variables explicatives quantitatives
• Conditions d’utilisation à respecter

Mise en œuvre et analyse des résultats d’un modèle de régression logistique
• Estimation et interprétation des coefficients du modèle
• Test de significativité du modèle (validation du modèle)
• Tests d’apport d’une variable (test de Wald, tests sur les rapports de vraisemblance)
• Interprétation du Khi² de Wald
• Odds-ratios
• Parallèle odds ratios et risques relatifs
• Analyse du tableau de classement
 Taux de réussite, taux d’échec
 Vrais positifs, vrais négatifs, faux positifs, faux négatifs
• Probabilités ajustées et utilisation du modèle à des fins de prédiction
• Mise en œuvre et interprétation des résultats (tableaux, graphiques) de la régression logistique
 Sur un tableau de contingence
 Sur un tableau composé de variables explicatives uniquement qualitatives, uniquement quantitatives, qualitatives et quantitatives
• Modèle de régression logistique multinomial
• Mise en œuvre et analyse des résultats d’un modèle de régression logistique multiple
• Estimation et interprétation des coefficients du modèle multiple

Mesure de la qualité d’un modèle de régression logistique
• Qualité d’ajustement du modèle (coefficients R²)
• Qualité d’estimation des coefficients du modèle, qualité de prédiction
• Intervalles de confiance des coefficients du modèle
• Intervalles de confiance des odds-ratio
• Lien entre la qualité du modèle et :
 Les effectifs des classes
 La colinéarité des variables explicatives
• Sélection du modèle final
• Matrice de confusions