Sélectionner les options pour Ajuster le modèle de Poisson

Stat > Régression > Régression de Poisson > Ajuster le modèle de Poisson > Options

Pondérations

Dans la zone Pondérations, entrez une colonne numérique de pondérations pour pouvoir effectuer une régression pondérée. Les pondérations doivent être supérieures ou égales à zéro. La colonne des pondérations et celle des réponses doivent avoir le même nombre de lignes. Pour plus d'informations sur la manière de déterminer la pondération appropriée, reportez-vous à la rubrique Régression pondérée.

Niveau de confiance pour tous les intervalles

Indiquez le seuil de confiance des intervalles de confiance pour les coefficients et les valeurs ajustées.

Un niveau de confiance de 95 % est généralement efficace. Un niveau de confiance de 95 % indique que, sur 100 échantillons prélevés parmi la population, l'intervalle de confiance d'environ 95 de ces échantillons contient la réponse moyenne. Pour un fichier de données spécifique, un niveau de confiance inférieur produit un intervalle moins large et un niveau de confiance supérieur produit un intervalle plus large.

Remarque

Pour afficher les intervalles de confiance, accédez à la sous-boîte de dialogue Résultats, puis, dans Affichage des résultats, sélectionnez Tableaux développés.

Type d’intervalle de confiance

Vous pouvez sélectionner un intervalle bilatéral ou une borne unilatérale. Pour le même niveau de confiance, une borne est plus proche de l'estimation ponctuelle que l'intervalle. La borne supérieure ne fournit pas une valeur probable plus basse. La borne inférieure ne fournit pas une valeur probable plus élevée.

Par exemple, le nombre moyen de patients entrant dans une clinique à une heure donnée est de 4,58. L'intervalle de confiance à 95 % du nombre moyen d'événements pour les futures observations multiples est compris entre 2,7 et 6,5. La borne inférieure de 95 % pour la moyenne est de 6,2, ce qui est plus précis car la borne est plus proche de la moyenne prévue.

  • Bilatéral : utilisez un intervalle de confiance bilatéral afin d'estimer les valeurs inférieure et supérieure probables pour le nombre moyen d'événements.
  • Borne inférieure : utilisez une borne de confiance inférieure afin d'estimer une valeur inférieure probable pour le nombre moyen d'événements.
  • Borne supérieure : utilisez une borne de confiance supérieure afin d'estimer une valeur supérieure probable pour le nombre moyen d'événements.

Valeurs résiduelles pour les diagnostics

Les valeurs résiduelles de la somme des carrés d'écart et de Pearson permettent d'identifier des combinaisons dans les diagrammes de valeurs résiduelles et des valeurs aberrantes. Les observations qui sont mal ajustées par le modèle ont des valeurs résiduelles de Pearson et de somme des carrés d'écart élevées. Minitab calcule des valeurs résiduelles pour chaque combinaison distincte de facteurs/covariables.
  • Somme des carrés d'écart : les valeurs résiduelles de la somme des carrés d'écart mesurent le degré de prévision de l'observation par le modèle. Elles sont souvent favorisées pour la régression logistique qui utilise la fonction de liaison logit, car la répartition des valeurs résiduelles est plus proche de la répartition des valeurs résiduelles dans les modèles des moindres carrés. La fonction de liaison logit est la fonction de liaison la plus fréquente.
  • Pearson : les valeurs résiduelles de Pearson mesurent également le degré de prévision de l'observation par le modèle. Une approche commune pour identifier les valeurs aberrantes consiste à tracer les valeurs résiduelles de Pearson en fonction de l'ordre des observations dans la feuille de travail.

Sommes des carrés d’écart pour les tests

Sélectionnez une somme des carrés d'écart pour calculer les valeurs du Khi deux et les valeurs de p. Il est plus fréquent d'utiliser la somme des carrés d'écart ajustée. Utilisez la somme des carrés d'écart séquentielle pour déterminer la signification des termes en fonction de leur ordre de saisie dans le modèle.
  • Ajustées (Type III) : mesure la réduction de la somme des carrés d'écart pour chaque terme lié à un modèle contenant tous les termes restants.
  • Séquentielles (Type I) : mesure la réduction de la somme des carrés d'écart lorsqu'un terme est ajouté à un modèle contenant uniquement les termes situés avant ce dernier.
En utilisant ce site, vous acceptez l'utilisation de cookies à des fins d'analyse et de personnalisation du contenu.  Lisez notre politique