Analyse de régression
L'analyse de régression modélise la relation entre une variable dépendante et une ou plusieurs variables indépendantes pour prédire ou expliquer des valeurs. Dans Excel, tu peux l'effectuer via l'utilitaire d'analyse (Régression), via une courbe de tendance linéaire sur un graphique, ou avec les fonctions DROITEREG et PENTE. Elle produit des coefficients, un R², et des statistiques de significativité.
À quoi sert un analyse de régression dans Excel ?
L'analyse de régression te permet de modéliser la relation entre une variable que tu veux expliquer (ou prédire) et une ou plusieurs variables explicatives. Par exemple : "Le chiffre d'affaires dépend-il du budget pub, du nombre de vendeurs et de la saison ?". La régression te donne les coefficients qui quantifient l'impact de chaque variable, ainsi que des indicateurs statistiques (R², p-value) pour savoir si la relation est fiable.
Tu vas l'utiliser quand tu as besoin de dépasser la simple corrélation pour quantifier des effets et faire des prédictions. C'est l'outil de référence pour les analyses de causalité approximative en entreprise : impact du prix sur les ventes, influence de la formation sur la productivité, lien entre l'ancienneté et le salaire. Excel te permet de faire des régressions simples (une variable) ou multiples (plusieurs variables) sans logiciel spécialisé.
Analyse de régression : exemples concrets
Exemple 1 : Responsable RH : analyser les facteurs qui influencent les salaires
Tu es responsable RH dans une entreprise de 300 salariés. Tu veux vérifier si les écarts de salaire s'expliquent objectivement par l'ancienneté, le niveau de diplôme et le poste occupé. Tu as un tableau avec ces 4 colonnes pour chaque salarié. Une simple moyenne par catégorie ne suffit pas : tu veux isoler l'effet de chaque facteur.
Tu utilises l'utilitaire d'analyse > Régression. Tu définis le salaire comme variable dépendante (Y) et les 3 autres variables comme indépendantes (X). L'outil génère un tableau avec les coefficients : +850 euros par année d'ancienneté, +3 200 euros par niveau de diplôme, et des constantes par poste.
Le R² de 0,78 te dit que ces 3 facteurs expliquent 78 % de la variation des salaires. Les 22 % restants relèvent d'autres facteurs. Tu as maintenant une base factuelle pour discuter de la politique salariale avec la direction.
Exemple 2 : Assistant de direction : prévoir les charges de fonctionnement
Tu es assistant de direction dans une société de services. Tu dois estimer les charges de fonctionnement du prochain trimestre. Tu disposes de 3 ans de données mensuelles avec les charges en ordonnée et le nombre de salariés, la surface occupée et le CA comme variables explicatives.
Tu lances une régression multiple via l'utilitaire d'analyse. Les résultats montrent que chaque salarié supplémentaire coûte 450 euros/mois en charges, chaque m² supplémentaire 12 euros/mois, et le CA n'a pas d'impact significatif (p-value > 0,05). Tu peux retirer le CA du modèle et relancer la régression.
Avec les coefficients obtenus, tu construis une formule de prévision : Charges = 15 000 + 450 x salariés + 12 x surface. Tu l'appliques aux chiffres prévisionnels du trimestre suivant pour obtenir une estimation fiable des charges.
- #1 Utilise l'utilitaire d'analyse (Données > Utilitaire d'analyse > Régression) pour une analyse complète avec R², coefficients, erreurs standard et p-values.
- #2 Vérifie les p-values de chaque coefficient : une p-value < 0,05 signifie que la variable a un impact statistiquement significatif. Retire les variables non significatives et relance la régression.
- #3 Tu peux aussi obtenir les coefficients de régression directement dans une formule avec la fonction DROITEREG() en mode matriciel (Ctrl+Maj+Entrée dans les anciennes versions d'Excel).
Termes liés
Envie d'aller plus loin ?
Explore les 293 termes de notre lexique ou découvre nos formules Excel.