Test des Effets Fixes (Test d’Hétérogénéité) 📌 Objectif : Vérifier si les effets fixes (spécifiques à chaque pays/région) doivent être pris en compte dans l’analyse. Dans le cadre de cette étude Si chaque pays ou région a des spécificités propres (différences structurelles dans l’économie, la pollution, ou les politiques de santé), alors un modèle à effets fixes permet de mieux capter ces variations. 2️⃣ Test de Hausman (Effets Fixes vs Effets Aléatoires) 📌 Objectif : Comparer les modèles à effets fixes et effets aléatoires pour choisir le plus adapté Pourquoi c’est important ?

Le modèle à effets fixes est plus robuste car il contrôle pour des différences inobservables spécifiques à chaque pays/région. Un modèle à effets aléatoires aurait supposé que les effets spécifiques ne sont pas corrélés avec les variables explicatives (PIB, CO₂), ce qui n’est pas le cas ici.

Statistiques Descriptives : Elles donnent un aperçu des tendances centrales (moyenne, médiane) et de la dispersion (écart-type, plage). Analyse Factorielle (Matrice des Composantes) : Elle permet de réduire la dimensionnalité des données et de mieux comprendre les relations entre variables et à identifier des facteurs clés qui influencent les réponses des individus. Régression Linéaire : L’analyse de régression permet d’évaluer l’impact des variables explicatives sur une variable dépendante.

Statistiques descriptives des temps d’opération par python : Cette table présente une analyse descriptive des temps d’opération pour différentes catégories,Cette analyse a été réalisée à l’aide de Pandas pour le calcul des statistiques descriptives Boxplot de la distribution des temps d’opération par type de tâche : Ce boxplot visualise la distribution des temps d’exécution selon cinq types d’opérations,Cette visualisation a été réalisée avec Seaborn (sns.boxplot)