Sélectionner les options pour Ajuster le modèle de régression

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

Pondérations

Dans Pondérations, indiquez une colonne numérique de pondérations pour pouvoir effectuer une régression pondérée. La régression pondérée est une méthode pouvant être utilisée lorsque l'hypothèse de variance constante dans les valeurs résiduelles pour les moindres carrés est contredite (on parle aussi d'hétéroscédasticité). Avec une pondération adaptée, cette procédure minimise la somme des carrés des valeurs résiduelles pondérés, de manière à générer des valeurs résiduelles présentant une variance constante (on parle aussi d'homoscédasticité). Pour plus d'informations sur la manière de déterminer la pondération appropriée, reportez-vous à la rubrique Régression pondérée.

Les pondérations doivent être supérieures ou égales à zéro. La colonne de pondérations et celle de la réponse doivent avoir le même nombre de lignes.

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 un même niveau de confiance, une borne est plus proche de l'estimation ponctuelle que l'intervalle. La borne supérieure ne fournit pas de valeur inférieure probable. La borne inférieure ne fournit pas de valeur supérieure probable.

Par exemple, la concentration moyenne prévue de solides dissous dans l'eau est de 13,2 mg/L. L'intervalle de confiance à 95 % pour la moyenne de plusieurs observations futures va de 12,8 mg/L à 13,6 mg/L. La borne supérieure à 95 % pour la moyenne de plusieurs observations futures est 13,5 mg/L, ce qui est plus précis car la borne est plus proche de la moyenne prévue.
Bilatéral
  • Utilisez un intervalle de confiance bilatéral pour estimer les valeurs inférieure et supérieure probables pour la réponse moyenne.
Borne inférieure
  • Utilisez une borne de confiance inférieure pour estimer une valeur inférieure probable pour la réponse moyenne.
Borne supérieure
  • Utilisez une borne de confiance supérieure pour estimer une valeur supérieure probable pour la réponse moyenne.

Somme des carrés pour les tests

Sélectionnez les sommes des carrés (SC) à utiliser dans le calcul des valeurs F et des valeurs de p. Il est plus courant d'utiliser la somme des carrés ajustée. Utilisez la somme des carrés séquentielle pour déterminer la signification des termes en fonction de l'ordre dans lequel ils sont inclus dans le modèle.
Somme des carrés pour les tests
  • Ajustées (Type III) : représente la réduction de la somme des carrés de l'erreur obtenue lorsque le terme est ajouté au modèle qui contient tous les termes restants.
  • Séquentielles (Type I) : représente la réduction des sommes des carrés de l'erreur obtenue lorsqu'un terme est ajouté à un modèle qui contient uniquement les termes qui le précèdent.

Transformation de Box-Cox

Effectuez une transformation de Box-Cox sur vos données de réponse lorsque les valeurs résiduelles ne sont pas distribuées normalement ou n'ont pas de variance constante. Lors d'une transformation, Minitab transforme les données de réponse et les utilise dans l'analyse. Dans la majorité des cas, il n'est nécessaire de corriger la non-normalité que si les données sont fortement asymétriques. Lorsque vous utilisez une transformation de Box-Cox, toutes les données de réponse doivent être positives (>0). Pour déterminer si la transformation de Box-Cox est adaptée à vos données, examinez les graphiques des valeurs résiduelles et d'autres mesures de diagnostic. Pour plus d'informations sur la vérification de votre modèle, reportez-vous à la rubrique Valider les hypothèses du modèle dans la régression ou l'analyse ANOVA.
Transformation de Box-Cox
Sélectionnez la valeur lambda que Minitab doit utiliser pour transformer les données :
  • Aucune transformation : utilisez vos données de réponse d'origine.
  • λ optimal : utilisez la valeur lambda optimale afin de produire la transformation la plus appropriée. Par défaut, Minitab arrondit la valeur de lambda à 0,5 ou à l'entier le plus proche. Par exemple, Minitab arrondit la valeur de lamba à –1, –0,5, 0, 0,5, 1, etc. Pour utiliser la valeur optimale plutôt que la valeur arrondie pour la transformation, sélectionnez Outils > Options > Modèles linéaires > Affichage des résultats.
  • λ = 0 (logarithme népérien) : utilisez le logarithme népérien de vos données.
  • λ = 0,5 (racine carrée)  utilisez la racine carrée de vos données.
  • λ : utilisez une valeur spécifiée pour lambda. Il existe d'autres transformations courantes comme le carré (λ = 2), la racine carrée inverse (λ = −0,5) et l'inverse (λ = −1). En général, vous ne devez pas utiliser de valeur en dehors de l'étendue allant de −2 à 2.
En utilisant ce site, vous acceptez l'utilisation de cookies à des fins d'analyse et de personnalisation du contenu.  Lisez notre politique