Indiquer les paramètres par défaut pour la régression pas à pas

Fichier > Options > Modèles linéaires > Pas à pas

Indiquez la méthode de régression pas à pas, les paramètres et les détails à afficher. Les modifications apportées aux paramètres par défaut s'appliquent jusqu'à une nouvelle modification de ces derniers, même si vous avez quitté Minitab. Minitab utilise les paramètres spécifiés ici à chacune de vos utilisations de l'une des analyses suivantes :
  • Stat > Régression > Régression > Ajuster le modèle de régression
  • Stat > Régression > Régression logistique binaire > Ajuster le modèle logistique binaire
  • Stat > Régression > Régression de Poisson > Ajuster le modèle de Poisson
  • Stat > ANOVA > Modèle linéaire général > Ajuster le modèle linéaire général
  • Stat > DOE (plan d'expériences) > Filtrage > Analyser un plan de criblage
  • Stat > DOE (plan d'expériences) > Plan factoriel > Analyser un plan factoriel
  • Stat > DOE (plan d'expériences) > Plan factoriel > Analyser la variabilité
  • Stat > DOE (plan d'expériences) > Surface de réponse > Analyser un plan de surface de réponse
  • Stat > DOE (plan d'expériences) > Mélanges > Analyser un plan de mélange

Les plans de mélange présentent deux grandes différences avec les autres outils. Si vous sélectionnez Critères d'informations ascendantes comme méthode par défaut, la méthode par défaut des plans de mélange reste Aucun. En outre, les résultats des plans de mélange indiquent toujours les mêmes informations.

Méthode par défaut
  • Aucun : ajustez le modèle avec tous les termes indiqués dans la boîte de dialogue Termes.
  • Critères d'informations ascendantes : la procédure de sélection ascendante par critères d'information ajoute au modèle le terme ayant la plus faible valeur de p à chaque étape. D'autres termes peuvent être intégrés au modèle au cours d'une même étape si les paramètres de l'analyse autorisent la prise en compte des termes non hiérarchiques mais exigent que chaque modèle soit hiérarchique. Minitab calcule les critères d'information de chaque étape. Dans la plupart des cas, la procédure continue jusqu'à ce que l'une des situations suivantes se produise :
    • La procédure ne trouve pas de nouveau minimum du critère pendant huit étapes consécutives.
    • La procédure ajuste le modèle complet.
    • La procédure ajuste un modèle qui conserve un degré de liberté pour l'erreur.
    Si vous définissez des paramètres qui requièrent un modèle hiérarchique à chaque étape et qui n'autorisent l'introduction que d'un seul terme à la fois, la procédure se poursuit jusqu'à ce qu'elle ait ajusté le modèle complet ou un modèle qui conserve un degré de liberté pour l'erreur. Minitab affiche les résultats de l'analyse pour le modèle présentant la plus petite valeur pour le critère d'information sélectionné (AICc ou BIC).
  • Pas à pas : commencez avec un modèle vide, puis ajoutez et supprimez un terme à chaque étape. Vous pouvez spécifier un ensemble initial de termes à inclure dans le modèle.
  • Sélection ascendante : commencez avec un modèle vide, puis ajoutez le terme potentiel le plus significatif au modèle à chaque étape.
  • Elimination descendante : commencez avec tous les termes potentiels du modèle, puis supprimez le moins significatif à chaque étape.
Informations ascendantes

Indiquez le critère d'information à utiliser pour la sélection ascendante.

Les valeurs AICc et BIC évaluent toutes deux la probabilité du modèle, puis ajoutent une pénalité pour l'ajout de termes. Cette pénalité réduit la tendance du système à surajuster le modèle aux données échantillons. Cette réduction permet généralement de produire un modèle qui fonctionne mieux.

De manière générale, quand le nombre de paramètres est relativement faible par rapport à l'effectif d'échantillon, une plus grande pénalité est appliquée à la valeur BIC qu'à la valeur AICc pour l'ajout de chaque paramètre. Dans ce cas, le modèle qui fournit la plus faible valeur BIC tend à être plus petit que celui qui fournit la plus faible valeur AICc.

Dans certains cas courants, par exemple dans les plans de criblage, le nombre de paramètres est généralement élevé par rapport à l'effectif d'échantillon. Dans ce cas, le modèle qui fournit la plus faible valeur AICc tend à être plus petit que celui qui fournit la plus faible valeur BIC. Par exemple, pour un plan de criblage définitif à 13 essais, le modèle qui fournit la plus faible valeur AICc tend à être plus petit que celui qui fournit la plus faible valeur BIC parmi l'ensemble des modèles à 6 paramètres ou plus.

Pour plus d'informations sur les valeurs AICc et BIC, consultez l'article de Burnham et Anderson.1

Paramètres pas à pas
  • Alpha pour inclure : indiquez le critère pour la saisie d'un nouveau terme dans le modèle.
  • Alpha pour exclure : indiquez le critère pour la suppression d'un terme dans le modèle.
Paramètre de sélection ascendante
  • Alpha pour inclure : indiquez le critère pour la saisie d'un nouveau terme dans le modèle.
Paramètre d’élimination descendante
  • Alpha pour exclure : indiquez le critère pour la suppression d'un terme dans le modèle.
Afficher le tableau des détails pour la sélection du modèle
Affichez les informations concernant la procédure pas à pas dans un tableau.
  • Détails sur la méthode : affichez le type de procédure pas à pas et les valeurs d'alpha utilisés pour ajouter et/ou supprimer un terme dans le modèle.
  • Inclure les détails pour chaque étape : affichez les coefficients, les valeurs de p, le Cp de Mallows et les statistiques récapitulatives du modèle à chaque étape de la procédure.
1 Burnham, K. P., et Anderson, D. R. (2004). Multimodel inference: Understanding AIC and BIC in model selection, Sociological Methods & Research, 33(2), 261-304. doi:10.1177/0049124104268644
    En utilisant ce site, vous acceptez l'utilisation de cookies à des fins d'analyse et de personnalisation du contenu.  Lisez notre politique