Interprétation des résultats principaux pour la fonction Nuage de points

Suivez les étapes ci-dessous pour interpréter un nuage de points.

Etape 1 : Rechercher une relation de modèle et évaluer son importance

Déterminez quelle relation de modèle est la plus adaptée à vos données, puis évaluez l'importance de la relation. Si un modèle est adapté, vous pouvez utiliser l'équation de régression pour ce modèle afin de décrire vos données.

Conseil

Pour évaluer l'ajustement aux données d'un modèle en particulier, ajoutez une droite de régression ajustée. Dans le graphique actif, sélectionnez Editeur > Ajouter > Ajustement de régression. Vous pouvez maintenir le pointeur de la souris sur la droite de régression ajustée pour visualiser l'équation de régression.

Type de relation

Déterminez quelle relation de modèle, le cas échéant, s'adapte le mieux à vos données. Voici des exemples de types de relations que vous pouvez représenter avec une droite de régression ajustée.
Linéaire : positive
Linéaire : négative
Courbe : quadratique
Courbe : cubique
Aucune relation

Si les données semblent s'ajuster à un modèle, vous pouvez étudier la relation à l'aide d'une analyse de régression.

Importance de la relation

Evaluez l'ajustement des données au modèle pour estimer l'importance de la relation entre X et Y. Lorsque la relation est importante, l'équation de régression représente les données avec exactitude. Si vous disposez d'une droite de régression ajustée, maintenez le pointeur de la souris dessus pour visualiser l'équation de régression et la valeur de R carré. Plus la valeur de R carré est élevée, plus l'équation de régression représente vos données avec exactitude.
Relation moins importante
Relation plus importante

Pour évaluer l'importance d'une relation linéaire (droite), utilisez une analyse de corrélation.

Etape 3 : Rechercher d'autres schémas

Des valeurs aberrantes peuvent indiquer la présence de conditions aberrantes dans vos données. Les tendances temporelles peuvent indiquer des conditions de données changeantes.

Valeurs aberrantes

Les valeurs aberrantes, qui sont des valeurs de données très éloignées des autres valeurs de données, peuvent avoir une incidence importante sur vos résultats.

Sur un nuage de points, les points isolés indiquent des valeurs aberrantes.

Essayez de déterminer la cause de toutes les valeurs aberrantes. Corrigez les erreurs de mesure ou d’entrée des données. Pensez éventuellement à supprimer les valeurs de données associées à des événements anormaux et uniques (causes spéciales). Ensuite, répétez l'analyse.

En utilisant ce site, vous acceptez l'utilisation de cookies à des fins d'analyse et de personnalisation du contenu.  Lisez notre politique