Tableau récapitulatif pour Régression non linéaire

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

Itérations

Cette valeur indique le nombre d'itérations requises pour obtenir la somme des carrés de l'erreur (SCE) finale. En général, il est impossible d'attribuer de la signification à ce nombre. Cependant, si le nombre d'itérations est égal au nombre maximal d'itérations affiché dans le tableau de méthode, cela indique que l'algorithme n'a pas convergé vers une solution. A la place, Minitab a atteint le nombre maximal d'itérations et s'est arrêté. Dans ce cas, vous pouvez essayer de modifier l'algorithme, le nombre maximal d'itérations, les valeurs de départ et la fonction de prévision.

SCE finale

La SCE finale est la somme des carrés des valeurs résiduelles. Elle quantifie la variation des données non expliquée par les prédicteurs. Les valeurs affichées représentent la plus petite SCE obtenue par l'algorithme en fonction des conditions de départ.

Interprétation

Plus la SCE finale est petite, mieux le modèle décrit la réponse. Si vous comparez les modèles ou les conditions de départ, comparer les valeurs de SCE finale peut être significatif. Toutefois, une seule valeur de SCE finale peut ne pas être intuitivement significative. Minitab utilise la SCE finale pour calculer S, qui est en général plus intuitif à interpréter.

DLE

Les degrés de liberté des erreurs (DLE) sont égaux à l'effectif d'échantillon, moins le nombre de paramètres. En général, les degrés de liberté (DL) totaux représentent la quantité d'informations dans vos données et sont déterminés par le nombre d'observations dans votre échantillon. L'analyse utilise ces informations pour estimer les valeurs des paramètres.

CA MOY ERR

Le carré moyen de l'erreur (CME) est la variance autour des valeurs ajustées. CME = SCE finale / DLE.

Interprétation

La racine carrée du CME est S. En général, vous interprétez S plutôt que le CME.

S

S représente l'écart type de la distance entre les valeurs de données et les valeurs ajustées. S est mesuré avec les unités de la réponse. Le R2 étant insignifiant en dehors du contexte du modèle linéaire, S est une mesure importante de l'adéquation de l'ajustement pour un modèle non linéaire. Comme S est exprimé dans les mêmes unités que la variable de réponse, S est généralement plus intuitif pour l'interprétation que l'erreur type d’estimation finale.

Interprétation

Utilisez S pour évaluer la capacité du modèle à décrire la réponse. S est mesuré en unités de la variable de réponse et représente la distance entre les valeurs de données et les valeurs ajustées. Plus S est petit, mieux le modèle décrit la réponse. Cependant, une faible valeur de S n'indique pas en soi que le modèle respecte les hypothèses du modèle. Vous devez examiner les graphiques des valeurs résiduelles pour vérifier les hypothèses.

Par exemple, vous travaillez pour un fabricant de pommes chips qui étudie les facteurs jouant sur le pourcentage de chips brisées par conteneur. Vous réduisez le modèle jusqu'à ne conserver que les prédicteurs significatifs, et vous constatez que S a pour valeur 1,79. Ce résultat indique que l'écart type des points de données autour des valeurs ajustées est 1,79. Si vous comparez des modèles, les valeurs inférieures à 1,79 indiquent un meilleur ajustement, tandis que les valeurs supérieures indiquent un moins bon ajustement.

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