Matrice Comparaison Ponderee

B_ Gestion du portefeuille d’activités Matrice - Apparition et multiplication des modèles d’analyse stratégiques au cours des années 1960 et 1970 sous l’impulsion des cabinets de consultants américains - Réponse à un double besoin : * élaboration d’un cadre conceptuel et d’outils propres à rationaliser les choix stratégiques * comparaison selon des méthodes homogènes des domaines d’activités différents et gestion de portefeuille de ces activités Matrice BCG : - Création à la fin des années 1960

. 2.3.2 Analyse de variance de la régression . . . . . . . . . . . . . 2.4 Prédiction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.5 Sélection de variables et choix de modèle . . . . . . . . . . . . . . 2.5.1 Critères de comparaison de modèle . . . . . . . . . . . . . 2.5.1.1 Limitation du coefficient de détermination R2 . . ¯ 2.5.1.2 Coefficient de détermination ajusté R2 . . . . . . 2.5.1.3 Critère de validation croisée : PRESS (ou CVSS) 2.5.1.4 Cp de Mallows . . . .

du dispositif, bien qu’étant abstraite constitue critère recherché et vers lequel on cherche à converger. Il existe différentes méthodes. Parmi elles on retrouve: Les méthodes d’agrégation à priori de critères en un critère unique:    La somme pondérée: Simple à mettre en place. Donne une solution optimale efficace. Incompatible avec la présence de certains critères incomparables entre eux.     L’analyse multicritère hiérarchique:         Permet le tri des critères selon leur importance

C’est principalement cette expression du modèle (2.1) que l’on utilisera par la suite pour étudier les estimateurs du modèle linéaire simple. On peut toutefois écrire le modèle de façon totalement vectorielle en empilant les vecteurs yi et les matrices Xi : Pour cela on pose : 0 1 0 1 0 1 "1 y1 X1 B X2 C B " C B y2 C C C " =B 2 C Y =B X =B @ ::: A @ ::: A (T N;1) @ ::: A (T N;K) (T N;1) XN "N yN L’Econométrie des Données de Panel On dé…nit 0T le vecteur nul 0 e B 0T e =B e (T N;N) @ ::: 0T

ces corrélations projetées. Globalement, les processus de diffusion utilisés sont caractérisés par des résidus suivant des lois normales. Projeter les résidus revient donc à simuler des variables aléatoires gaussiennes corrélées entre elles par la matrice de corrélation historique en passant par la factorisation de Cholesky. A l’instant initial, nous pouvons déterminer les corrélations entre les différentes volatilités des modèles. Dans le prolongement du calibrage précédemment effectué, le logiciel

quoi Cossette (1989; 1994a) préfère parler de carte d'influence, considérant qu'il est "quelque peu hâtif comme jugement" d'assimiler les notions de causalité à celle d'influence. Une telle précision a une conséquence directe pour l'analyse et la comparaison des cartes: En toute rigueur, on ne peut distinguer les représentations de deux sujets dont l'un aura exprimé une relation causale mécanique (la baisse des prix augmente le volume de mes ventes), et l'autre une stratégie délibérée (je baisse mes

d'espace vectoriel euclidien. 4.1.1. Espace vectoriel R n. 4.1.2. Produit scalaire dans R n. 4.2. Approche euclidienne de la régression. 4.3. Régression orthogonale. Axe principal. 4.3.1. Introduction. 4.3.2. Définitions. 4.3.3. Diagonalisation de la matrice des variances-covariances. 4.3.4. Recherche des axes principaux. 4.3.5. Coordonnées factorielles et composantes principales. 4.3.6. Propriétés des composantes principales. 5. Régression multiple. 5.1. Position et résolution du problème. 5.2. Coefficient

d'espace vectoriel euclidien. 4.1.1. Espace vectoriel R n. 4.1.2. Produit scalaire dans R n. 4.2. Approche euclidienne de la régression. 4.3. Régression orthogonale. Axe principal. 4.3.1. Introduction. 4.3.2. Définitions. 4.3.3. Diagonalisation de la matrice des variances-covariances. 4.3.4. Recherche des axes principaux. 4.3.5. Coordonnées factorielles et composantes principales. 4.3.6. Propriétés des composantes principales. 5. Régression multiple. 5.1. Position et résolution du problème. 5.2. Coefficient

à n-2 degré de liberté. Pareil pour a-aδa~t(n-2) NB : avec les résultats qui précèdent, il est possible de mettre en place des statistiques afin d’apporter des réponses à des problèmes tels que : * Comparaison d’un coefficient de régression par à rapport une valeur fixée ; * Comparaison de coefficients de régression provenant de deux échantillons différents ; * Détermination d’un intervalle de confiance pour un coefficient. 5. Equation et tableau d’analyse de la variance Pour un

s’engage t’on ? • Synergie d’image : l’image du distributeur renforce t’elle celle de notre produit ? Matrice de décision Importance/ Performance |Critère |Pondération |Franchise |Grossistes |Hypermarchés | | | |Note/10 |Note pondérée |Note/10 |Note pondé |Note/10 |Note pondé | |Couverture |3 |6