Observations relatives aux données pour la fonction Régression logistique ordinale

Pour garantir la validité de vos résultats, vérifiez que les règles suivantes sont respectées lorsque vous collectez des données, effectuez une analyse et interprétez vos résultats.

Les prédicteurs peuvent être continus ou de catégorie

Une variable continue peut être mesurée et ordonnée, et dispose d'un nombre infini de valeurs entre deux valeurs quelconques. Par exemple, les diamètres d'un échantillon de pneus représentent une variable continue.

Les variables de catégorie ont un nombre fini et dénombrable de catégories ou de groupes distincts. Les données de catégorie peuvent ne pas présenter d'ordre logique. Par exemple, les prédicteurs de catégorie incluent le sexe d'individus, le type de matériel et le mode de paiement.

Si vos données comportent une variable discrète, vous pouvez décider de la traiter comme un prédicteur continu ou de catégorie. Une variable discrète peut être mesurée et ordonnée, mais ses valeurs son dénombrables. Par exemple, le nombre de personnes vivant dans une maison est une variable discrète. Le choix de traiter une variable discrète comme un prédicteur continu ou de catégorie dépend du nombre de niveaux, ainsi que de l'objectif de l'analyse. Pour plus d'informations, reportez-vous à la rubrique Que sont des variables de catégorie, discrètes et continues ?.

La variable de réponse doit être ordinale
Une réponse ordinale donne au moins trois résultats qui suivent un ordre, par exemple Faible, Moyen et Elevé.
Suivre les meilleures pratiques pour la collecte des données
Pour garantir la validité de vos résultats, suivez les indications suivantes :
  • Assurez-vous que les données sont représentatives de la population qui vous intéresse.
  • Collectez suffisamment de données pour bénéficier de la précision nécessaire.
  • Mesurez les variables de façon aussi exacte et précise que possible.
  • Enregistrez les données dans leur ordre de collecte.
La corrélation entre les prédicteurs, également appelée multicolinéarité, ne doit pas être trop importante

Si la multicolinéarité est importante, il se peut que vous ne puissiez pas déterminer les prédicteurs à inclure dans le modèle. Pour déterminer la sévérité de la multicolinéarité, examinez la corrélation entre les variables de prédiction. Pour déterminer si les prédicteurs sont hautement corrélés, sélectionnez Stat > Statistiques élémentaires > Corrélation.

Le modèle doit être bien ajusté aux données
Si le modèle n'est pas bien ajusté aux données, les résultats risquent d'être trompeurs. Un modèle est adéquat lorsqu'il a les propriétés suivantes :
  • Les valeurs de p des tests d'adéquation de l'ajustement sont supérieures à la valeur d'alpha. Ceci indique que vous êtes en mesure d'affirmer que le modèle n'est pas correctement ajusté aux données.
  • Les valeurs pour les mesures des associations doivent répondre à vos exigences concernant la capacité de prévision du modèle ou les dépasser.
Dans les résultats, vérifiez les tests d'adéquation de l'ajustement et les mesures d'association.
En utilisant ce site, vous acceptez l'utilisation de cookies à des fins d'analyse et de personnalisation du contenu.  Lisez notre politique