Sur ce thème
Ajustements conditionnels
Les ajustements conditionnels sont les estimations des valeurs de réponse moyenne pour les paramètres des facteurs fixes et des facteurs aléatoires donnés dans le fichier de données. Les ajustements conditionnels sont calculés à partir des équations ajustées conditionnelles.
ErT ajust
L'erreur type de l'ajustement (ErT ajust) estime la variation de la réponse moyenne estimée pour les valeurs de variables spécifiées. Le calcul de l'intervalle de confiance de la réponse moyenne utilise l'erreur type de la valeur ajustée. Les erreurs types ne sont jamais négatives.
DL pour la moyenne conditionnelle
Les degrés de liberté (DL) représentent la quantité d'informations disponible dans les données pour estimer l'intervalle de confiance pour la réponse moyenne.
Interprétation
Utilisez les DL pour comparer la quantité d'informations disponible sur les différentes moyennes conditionnelles. Généralement, plus le nombre de degrés de liberté est élevé, plus l'intervalle de confiance pour la moyenne est étroit. Les erreurs types étant différentes selon les observations, l'intervalle de confiance d'une moyenne ayant un nombre plus important de degrés de liberté n'est pas forcément plus étroit que celui d'une moyenne ayant moins de degrés de liberté.
Intervalle de confiance de la moyenne conditionnelle (IC à 95 %)
Ces intervalles de confiance (IC) sont des étendues de valeurs ayant de fortes chances de contenir les réponses moyennes conditionnelles correspondantes.
Les échantillons étant aléatoires, il est peu probable que deux échantillons d'une population donnent des intervalles de confiance identiques. Cependant, si vous prélevez de nombreux échantillons, un certain pourcentage des intervalles de confiance obtenus contiendra le paramètre de population inconnu. Le pourcentage de ces intervalles de confiance contenant le paramètre est le niveau de confiance de l'intervalle.
L'intervalle de confiance est composé de deux parties :
Interprétation
Les intervalles de confiance permettent d'évaluer si les réponses moyennes conditionnelles sont statistiquement supérieures, inférieures ou égales à une valeur spécifique. Vous pouvez également utiliser les intervalles de confiance pour déterminer une étendue de valeurs pour les réponses moyennes conditionnelles inconnues correspondantes.
Valeur résiduelle conditionnelle
Une valeur résiduelle (ei) est la différence entre une valeur observée (y) et la valeur ajustée conditionnelle correspondante, (
).
Interprétation
Créez un graphique des valeurs résiduelles pour déterminer si votre modèle est adapté et si les hypothèses de modèle à effets mixtes sont satisfaites. L'examen des valeurs résiduelles peut fournir des informations utiles sur l'ajustement du modèle aux données. De manière générale, les valeurs résiduelles doivent être distribuées de manière aléatoire sans aucun schéma clair ni aucune valeur aberrante. Si Minitab détermine que vos données comprennent des observations aberrantes, il les indique dans les résultats, dans le tableau Ajustements et diagnostics conditionnels pour les observations aberrantes. Les observations aberrantes signalées par Minitab suivent mal l'équation conditionnelle proposée. Toutefois, il est normal d'obtenir quelques observations aberrantes. Par exemple, en vous fondant sur les critères de valeurs résiduelles élevées, vous pouvez vous attendre à ce qu'environ 5 % de vos observations soient signalées pour leur valeur résiduelle importante.
Val. résid. norm
La valeur résiduelle conditionnelle normalisée est égale à la valeur résiduelle (ei) divisée par une estimation de son écart type.
Interprétation
Les valeurs résiduelles conditionnelles normalisées permettent de détecter les valeurs aberrantes. Les valeurs résiduelles conditionnelles normalisées supérieures à 2 et inférieures à −2 sont généralement considérées comme élevées. Le tableau Ajustements et diagnostics conditionnels pour les observations aberrantes signale ces observations avec un "R". Les observations signalées par Minitab suivent mal l'équation ajustée conditionnelle proposée. Toutefois, il est normal d'obtenir quelques observations aberrantes. Par exemple, selon les critères utilisés pour définir des valeurs résiduelles conditionnelles normalisées élevées, vous pouvez vous attendre à ce qu'environ 5 % de vos observations soient signalées pour leur valeur résiduelle normalisée importante.
Les valeurs résiduelles conditionnelles normalisées sont utiles, car les valeurs résiduelles conditionnelles brutes ne permettent pas toujours de détecter les valeurs aberrantes. La variance de chaque valeur résiduelle conditionnelle brute peut être différente en fonction des valeurs X qui lui sont associées. Cette variation inégale complique l'évaluation de la grandeur des valeurs résiduelles conditionnelles brutes. La normalisation des valeurs résiduelles conditionnelles résout ce problème en transformant les différentes variances selon une échelle commune.
