Régression ordinale

La régression ordinale, également appelée "logit ordonné" ou "probit ordonné", est un type d'analyse de régression utilisé en statistique pour prédire un ensemble de valeurs numériques dans une séquence non linéaire. Elle est couramment utilisée dans l'analyse prédictive, qui permet de déterminer la probabilité qu'un événement se produise dans une plage de valeurs. La régression ordinale est utilisée pour prédire le classement ou l'ordre de deux catégories ou plus dans des ensembles de données binaires ou non binaires. Elle permet au modèle de prendre en compte non seulement les points de données (observations) mais aussi l'ordre des observations, ce qui permet des prédictions plus précises.

La régression ordinale est utile dans des domaines tels que la biologie, où l'ordre des classifications peut apporter plus d'informations à l'étude que les seules valeurs discrètes. Par exemple, pour mesurer le tempérament des patients, la régression ordinale permet de faire la distinction entre "calme", "irrité", "en colère" et "violent", au lieu d'assigner chaque patient à une seule échelle catégorielle. Elle permet ainsi de saisir davantage de niveaux de détail.

Dans la plupart des cas, la régression ordinale utilise les mêmes techniques que la régression linéaire, la principale différence étant que les résultats sont ordonnés. Les modèles de régression multiple et les modèles de régression logistique peuvent être utilisés conjointement avec la régression ordinale. Pour rendre les modèles prédictifs plus précis, la régression ordinale utilise des "variables fictives" pour représenter chacune des catégories (ou niveau ordinal) et la pondération qui lui est associée. Les pondérations sont utilisées pour évaluer les probabilités (d'occurrence ou de transition) pour chacune des catégories.

La régression ordinale est utilisée dans un large éventail de domaines pour identifier, mesurer et prédire avec précision les relations entre des ensembles de données nominales, ordinales et catégorielles. Elle peut être utilisée dans les études de marché pour évaluer les préférences des consommateurs, dans la justice pénale pour prédire la récidive et dans les soins de santé pour classer les maladies ou l'état de santé des patients.