Tableau des sommes des carrés d'écart pour la fonction Droite d'ajustement binaire

Obtenez des définitions et bénéficiez de conseils en matière d'interprétation pour chaque statistique fournie dans le tableau des sommes des carrés d'écart.

DL

Les degrés de liberté (DL) totaux représentent la quantité d'informations dans vos données. L'analyse utilise ces informations pour estimer les valeurs des paramètres de population inconnus. Le degré de liberté total est égal au nombre de lignes dans les données, moins 1. Le DL pour un terme indique la quantité d'informations utilisées par ce dernier. L'augmentation du nombre de termes dans votre modèle implique d'utiliser plus d'informations, ce qui réduit le DL pour l'erreur. Ce dernier représente les informations disponibles pour l'estimation des paramètres.

Somme des carrés d'écart ajustée

Les sommes des carrés ajustées correspondent aux mesures de variation des différentes composantes dans le modèle. L'ordre des prédicteurs dans le modèle n'a pas d'incidence sur le calcul des sommes des carrés d'écart ajustées. Dans le tableau des sommes des carrés d'écart, Minitab divise la somme des carrés d'écart en différentes composantes qui décrivent la somme des carrés d'écart issue de différentes sources.

Régression
La somme des carrés d'écart ajustée pour le modèle de régression quantifie la différence entre le modèle actuel et le modèle complet.
Terme
La somme des carrés d'écart ajustée pour un terme quantifie la différence entre un modèle contenant le terme et le modèle complet.
Error
La somme des carrés d'écart ajustée pour l'erreur quantifie la somme des carrés d'écart non expliquée par le modèle.
Total
La somme des carrés d'écart ajustée totale correspond à la somme des carrés d'écart ajustée pour le modèle, plus la somme des carrés d'écart ajustée pour l'erreur. La somme des carrés d'écart ajustée totale quantifie la somme des carrés d'écart totale dans les données.

Interprétation

Minitab utilise les sommes des carrés d'écart ajustées pour calculer la valeur de p d'un terme. Minitab utilise également les sommes des carrés d'écart ajustées pour calculer la statistique R2 de la somme des carrés d'écart. En général, vous interprétez les valeurs de p et la statistique R2 à la place des sommes des carrés d'écart.

Moyenne ajustée

La somme des carrés d'écart de la moyenne ajustée mesure la part de la somme des carrés d'écart qu'explique un terme ou un modèle pour chaque degré de liberté. Le calcul de la somme des carrés d'écart de la moyenne ajustée pour chaque terme suppose que tous les autres termes figurent dans le modèle.

Interprétation

Minitab utilise la somme des carrés d'écart de la moyenne ajustée pour calculer la valeur de p d'un terme. En général, vous interprétez les valeurs de p à la place des carrés moyens ajustés.

Khi deux

Chaque terme du tableau des sommes des carrés d'écart a une valeur de Khi deux pour le test du rapport de vraisemblance. La valeur de Khi deux est la statistique de test qui détermine si un terme ou un modèle est associé avec la réponse.

Interprétation

Minitab utilise la statistique de Khi deux pour calculer la valeur de p, qui vous permet de déterminer si des termes sont significatifs et de choisir le modèle approprié. La valeur de p est la probabilité qui mesure le degré de certitude avec lequel il est possible d'invalider l'hypothèse nulle. Des probabilités faibles permettent d'invalider l'hypothèse nulle avec plus de certitude. Une statistique de Khi deux suffisamment élevée engendre une petite valeur de p, indiquant que le terme ou le modèle est statistiquement significatif.

Valeur de p - Régression

La valeur de p est la probabilité qui mesure le degré de certitude avec lequel il est possible d'invalider l'hypothèse nulle. Des probabilités faibles permettent d'invalider l'hypothèse nulle avec plus de certitude.

Interprétation

Pour déterminer si les données permettent d'établir qu'au moins un coefficient dans le modèle de régression est différent de 0, comparez la valeur de p pour la régression à votre seuil de signification pour évaluer l'hypothèse nulle. L'hypothèse nulle pour la valeur de p pour la régression est que tous les coefficients des termes du modèle de régression sont de 0. En général, un seuil de signification (noté alpha ou α) de 0,05 fonctionne bien. Un seuil de signification de 0,05 indique 5 % de risque de conclure à tort qu'au moins un coefficient est différent de  0.
Valeur de p ≤ α : au moins un coefficient est différent de 0.
Si la valeur de p est inférieure ou égale au seuil de signification, vous pouvez en conclure qu'au moins un coefficient est différent de 0.
Valeur de p > α : vous n'êtes pas en mesure de conclure qu'au moins un coefficient est différent de  0.
Si la valeur de p est supérieure au seuil de signification, vous ne pouvez pas conclure qu'au moins un coefficient est différent de 0. Il est sans doute nécessaire d'ajuster un nouveau modèle.

Valeur de p - Terme

La valeur de p est la probabilité qui mesure le degré de certitude avec lequel il est possible d'invalider l'hypothèse nulle. Des probabilités faibles permettent d'invalider l'hypothèse nulle avec plus de certitude.

Interprétation

Pour déterminer si l'association entre la variable de réponse et la variable de prédiction est statistiquement significative, comparez la valeur de p du terme à votre seuil de signification pour évaluer l'hypothèse nulle. L'hypothèse nulle est que le coefficient pour la variable de prédiction est égal à zéro, ce qui indique qu'il n'existe aucune association entre la variable de prédiction et la variable de réponse. En général, un seuil de signification (noté alpha ou α) de 0,05 fonctionne bien. Un seuil de signification de 0,05 indique un risque de 5 % de conclure à tort qu'il existe une association.
Valeur de p ≤ α : l'association est statistiquement significative.
Si la valeur de p est inférieure ou égale au seuil de signification, vous pouvez conclure qu'il existe une association statistiquement significative entre la variable de réponse et la variable de prédiction.
Valeur de p > α : l'association n'est pas statistiquement significative.
Si la valeur de p est supérieure au seuil de signification, vous ne pouvez pas conclure qu'il existe une association statistiquement significative entre la variable de réponse et la variable de prédiction.
En utilisant ce site, vous acceptez l'utilisation de cookies à des fins d'analyse et de personnalisation du contenu.  Lisez notre politique