Tests d'adéquation de l'ajustement pour Régression logistique ordinale

Obtenez des définitions et bénéficiez de conseils en matière d'interprétation pour chaque statistique fournie dans le tableau des tests d'adéquation de l'ajustement.

Test d'adéquation de l'ajustement de Pearson

Le test d'adéquation de l'ajustement de Pearson évalue la différence entre le modèle étudié et le modèle complet.

Interprétation

Utilisez les tests d'adéquation de l'ajustement pour déterminer si les probabilités prévues diffèrent des probabilités observées d'une façon que ne prévoit pas la loi multinomiale. Le test n'est pas utile lorsque le nombre de valeurs distinctes est approximativement égal au nombre d'observations, mais il est utile lorsque plusieurs observations existent au niveau des mêmes valeurs des prédicteurs. Si la valeur de p pour le test d'adéquation de l'ajustement est inférieure au seuil de signification sélectionné, les probabilités prévues diffèrent des probabilités observées d'une façon que ne prévoit pas la loi multinomiale. Cette liste énumère les raisons fréquentes de l'écart :
  • Fonction de liaison incorrecte
  • Terme d'ordre supérieur omis pour les variables du modèle
  • Prédicteur omis non présent dans le modèle

Si l'écart est statistiquement significatif, vous pouvez essayer une autre fonction de liaison ou modifier les termes du modèle.

Test d'adéquation de l'ajustement de la somme des carrés d'écart

Le test d'adéquation de l'ajustement de la somme des carrés d'écart évalue la différence entre le modèle étudié et le modèle complet.

Interprétation

Utilisez les tests d'adéquation de l'ajustement pour déterminer si les probabilités prévues diffèrent des probabilités observées d'une façon que ne prévoit pas la loi multinomiale. Le test n'est pas utile lorsque le nombre de valeurs distinctes est approximativement égal au nombre d'observations, mais il est utile lorsque plusieurs observations existent au niveau des mêmes valeurs des prédicteurs. Si la valeur de p pour le test d'adéquation de l'ajustement est inférieure au seuil de signification sélectionné, les probabilités prévues diffèrent des probabilités observées d'une façon que ne prévoit pas la loi multinomiale. Cette liste énumère les raisons fréquentes de l'écart :
  • Fonction de liaison incorrecte
  • Terme d'ordre supérieur omis pour les variables du modèle
  • Prédicteur omis non présent dans le modèle

Si l'écart est statistiquement significatif, vous pouvez essayer une autre fonction de liaison ou modifier les termes du modèle.

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