Différence entre Régression logistique et arbre de décision

Bonjour,
Je suis entrain de mener une étude sur la détermination des facteurs influents le choix de partir ou non à l'étranger pour étudier.
Pour ce faire, j'ai plusieurs variables qui peuvent entrer en jeu pour faire mon choix.

J'ai commencé par faire une régression logistique pour obtenir les odds ratios qui m'indiquent exactement le poids de chaque variable dans ma décision de partir ou pas.

Après j'ai pensé aux arbres de décision (CART, CHAID, C4.5), qui peuvent m'aider aussi à prendre la bonne décision.

Ma question est de savoir est ce que c'est normal de ne pas trouver exactement les mêmes résultats en utilisant des techniques différentes? si oui, comment choisir le meilleur modèle.

et est ce que je dois commencer par faire une RL, pour déterminer quelles sont les variables qui expliquent le mieux mon choix et faire par la suite un arbre de décision sur ces variables ?

J'espère que vous avez des idées qui peuvent m'aider. Merci

Bonjour,
Oui c'est normal de ne pas trouver les mêmes règles car les méthodes sont bien différentes !
Pour comparer des méthodes comme celle que tu souhaites comparer, la coutume veut qu'on les compare par rapport à leur capacité prédictive, par exemple taux de mal classés.

comment demander à sas de me donner ce taux de mal classement dans une RL qui vise juste à savoir quels sont les facteurs qui expliquent mon choix d'aller étudier à l'étranger ou pas et non pas la prédiction.
mon code est:

Code:

---

1 2 3 4 5 6 7 8 9 10 11

proc logistic data= tab;   class A B C D E /param=reference;   model Y (event="aller étudier à l'étranger")= A B C D E / selection=stepwise;   run;

---

Je précise que toutes mes variables sont qualitatives.