Interprétation des résultats principaux pour la fonction Graphique matriciel diagonal

Suivez les étapes ci-dessous pour interpréter un graphique matriciel diagonal.

Étape 1 : Rechercher des relations de modèle et en évaluer la force

Recherchez les relations de modèle entre des paires de variables. Trouvez la relation de modèle la plus adaptée à vos données, puis évaluez la force de la relation. Si un modèle est adapté, vous pouvez utiliser l'équation de régression pour ce modèle afin de décrire vos données.

Conseil

Pour évaluer l'ajustement aux données d'un modèle en particulier, ajoutez une droite de régression ajustée. Double-cliquez sur le graphique. En mode d'édition, cliquez à droite sur le graphique, puis sélectionnez Ajouter > Ajustement de régression. Vous pouvez maintenir le pointeur de la souris sur la droite de régression ajustée pour visualiser l'équation de régression.

Type de relation

Les exemples suivants montrent différents types de relations que vous pouvez représenter avec une droite de régression ajustée.
Linéaire : positive
Linéaire : négative
Courbe : quadratique
Courbe : cubique
Aucune relation

Si les données semblent s'ajuster à un modèle, vous pouvez étudier la relation à l'aide d'une analyse de régression.

Force de la relation

Évaluez dans quelle mesure les données correspondent au modèle pour estimer la force de la relation entre X et Y. Lorsque la relation est forte, l’équation de régression modélise précisément les données. Si vous disposez d'une droite de régression ajustée, maintenez le pointeur de la souris dessus pour visualiser l'équation de régression et la valeur de R carré. Plus la valeur de R carré est élevée, plus l'équation de régression représente exactement vos données.
Relation moins forte
Relation plus forte

Pour évaluer la force d'une relation linéaire (droite), utilisez une analyse de corrélation.

Etape 3 : Rechercher d'autres schémas

Des valeurs aberrantes peuvent indiquer la présence de conditions aberrantes dans vos données. Les tendances temporelles peuvent indiquer des conditions de données changeantes.

Valeurs aberrantes

Les valeurs aberrantes, qui sont des valeurs de données très éloignées des autres valeurs de données, peuvent avoir une incidence importante sur vos résultats.

Sur un nuage de points, les points isolés indiquent des valeurs aberrantes.

Essayez de déterminer la cause de toutes les valeurs aberrantes. Corrigez les erreurs de mesure ou d’entrée des données. Pensez éventuellement à supprimer les valeurs de données associées à des événements anormaux et uniques (causes spéciales). Ensuite, répétez l'analyse.