Tableau d'analyse de la variance pour la fonction Droite d'ajustement

Obtenez des définitions et bénéficiez de conseils en matière d'interprétation pour chaque statistique du tableau d'analyse de la variance.

DL

Le nombre total de degrés de liberté (DL) représente la quantité d'informations dans vos données. L'analyse utilise ces informations pour estimer les valeurs des paramètres de population inconnus. Le nombre total de DL est déterminé par le nombre d'observations dans votre échantillon. Les DL d'un terme affichent la quantité d'informations utilisée par ce terme. Le fait d'accroître l'effectif de l'échantillon permet d'obtenir davantage d'informations sur la population, ce qui augmente le nombre total de degrés de liberté. Le fait d'augmenter le nombre de termes dans votre modèle utilise plus d'informations, ce qui réduit le nombre de DL disponibles pour l'estimation de la variabilité des estimations de paramètres.

Somme des carrés

La somme des carrés (SC), aussi appelée somme des carrés ajustée, correspond aux mesures de variation des différentes composantes du modèle. Minitab divise les sommes des carrés en plusieurs composantes qui décrivent la variation due aux différentes sources.

Régression SC
La régression de la somme des carrés correspond à la somme des écarts au carré des valeurs de réponses ajustées par rapport à la valeur de réponse moyenne. Elle mesure la variation des données de réponse expliquée par le modèle.
Erreur SC
La somme des carrés de l'erreur correspond à la somme des carrés des valeurs résiduelles. Elle quantifie la variation des données non expliquée par les prédicteurs.
Total SC
La somme totale des carrés correspond à la somme des carrés de la régression, plus la somme des carrés de l'erreur. Cela quantifie la variation totale des données.

Interprétation

Minitab utilise la somme des carrés ajustée pour calculer la valeur de p pour un terme. Minitab utilise aussi les sommes des carrés pour calculer la statistique R2. En général, vous interprétez les valeurs de p et la statistique R2 plutôt que les sommes des carrés.

CM

Les carrés moyens (CM), aussi appelés carrés moyens ajustés, mesurent la part de variation expliquée par un terme ou un modèle, en supposant que tous les autres termes sont dans le modèle, quel que soit l'ordre dans lequel ils ont été saisis. Contrairement aux sommes des carrés ajustées, les carrés moyens ajustés tiennent compte des degrés de liberté.

Le carré moyen de l'erreur ajusté (également appelé CME ou s2) est la variance autour des valeurs ajustées.

Interprétation

Minitab utilise les carrés moyens ajustés pour calculer la valeur de p pour un terme. Minitab utilise également les carrés moyens ajustés pour calculer la statistique du R2 ajusté. En général, vous interprétez les valeurs de p et la statistique de R2 ajusté plutôt que les carrés moyens ajustés.

Valeur F

La valeur F est une statistique de test utilisée pour déterminer si le modèle est associé à la réponse.

Interprétation

Minitab utilise la valeur F pour calculer la valeur de p, qui vous permet de déterminer si le modèle est significatif d'un point de vue statistique. 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 valeur F suffisamment élevée indique que le modèle est significatif.

Pour savoir, à l'aide de la valeur F, si l'hypothèse nulle doit être rejetée, comparez la valeur F à votre valeur critique. Vous pouvez calculer la valeur critique dans Minitab ou rechercher la valeur critique dans un tableau de loi F, disponible dans la plupart des livres de statistiques. Pour plus d'informations sur l'utilisation de Minitab pour calculer la valeur critique, reportez-vous à Utilisation de la fonction de répartition (CDF) inverse et cliquez sur "Utiliser la CDF inverse pour calculer des valeurs critiques".

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 le modèle explique la variation dans la réponse, comparez la valeur de p du modèle à votre seuil de signification pour évaluer l'hypothèse nulle. L'hypothèse nulle pour la régression globale est que le modèle n'explique en rien la variation dans la réponse. 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 risques de conclure à tort que le modèle explique la variation dans la réponse.
Valeur de p ≤  α : le modèle explique la variation dans la réponse.
Si la valeur de p est inférieure ou égale au seuil de signification, vous pouvez en conclure que le modèle explique la variation dans la réponse.
Valeur de p >  α : vous n'êtes pas en mesure de conclure que le modèle explique la variation dans la réponse.

Si la valeur de p est supérieure au seuil de signification, vous ne pouvez pas conclure que le modèle explique la variation dans la réponse. Il est sans doute nécessaire d'ajuster un nouveau modèle.

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