Régression quantile

La régression quantile est une méthode de plus en plus utilisée car elle offre la possibilité de se placer dans un cadre d'étude au plus proche de la réalité.

En effet, de par sa nature, elle permet de s'affranchir de la rigidité contraignante de l'hypothèse de normalité intrinsèque au modèle de régression classique, offrant ainsi la liberté de travailler avec un large spectre de distributions.

En outre, comme mentionné dans l'introduction, la régression quantile permet à l'utilisateur d'ajuster au mieux son analyse à la problématique considérée, via l'estimation des quantiles conditionnels les plus pertinents.

De ce fait, on pourra profiter et tirer parti de cet outil dans des domaines d'application très variés. On notera tout de même, en s'appuyant sur le nombre de publications, que les études basées sur la régression quantile touchent plus particulièrement les sciences du Vivant/Santé, de l'Economie/Finance, de l'Environnement/Ecologie, sans oublier les Sciences Sociales, Comportementales ou Cognitives.

La spécificité de la Régression Quantile par rapport aux autres méthodes est de fournir une estimation de quantiles conditionnels au lieu d’une moyenne conditionnelle. Ainsi, la Régression Quantile permet une analyse plus fine basée sur l’étude de quantiles.

L’interprétation des coefficients de régression estimés est la même que celle des autres modèles linéaires. Ainsi, les coefficients du modèle de Régression Quantile peuvent être interprétés comme des taux de variation de la variable dépendante lorsqu’un changement d’une unité de la variable explicative considérée se produit.

 D’autre part, il est important de noter que, comme pour l’ANCOVA, il est possible de mélanger des variables quantitatives et qualitatives en Régression Quantile. Dans trois autres tutoriels cet exemple est traîté, d’abord avec la Taille seulement (régression linéaire), puis en ajoutant l'Age  (ANOVA), et enfin le Sexe (ANCOVA) comme variables explicatives.