Tableau des tests des effets fixes pour la fonction Ajuster le modèle à effets mixtes

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

Sur ce thème

DL
Valeur F
Valeur de p - Terme

DL

Les degrés de liberté (DL) représentent la quantité d'informations dans vos données. L'analyse utilise ces informations pour les tests F afin de tester les termes d'effet fixe. DL Numérateur indique les degrés de liberté du numérateur pour le test F d'un terme d'effet fixe. Cette valeur est égale au nombre de paramètres du terme d'effet fixe. DL Dénominateur indique les degrés de liberté du dénominateur pour le test F d'un terme d'effet fixe.

Valeur F

Le tableau des tests des effets fixes indique une valeur F pour chaque terme d'effet fixe. La valeur F est associée au test F qui détermine si le terme influe de manière significative sur la réponse.

Interprétation

Minitab utilise la valeur F pour calculer la valeur de p, qui vous permet de déterminer si le terme est significatif d'un point de vue statistique. La valeur de p est la probabilité qui mesure le degré de certitude avec lequel il est possible d'invalider l'hypothèse nulle. Des probabilités faibles permettent d'invalider l'hypothèse nulle avec plus de certitude.

Une valeur F suffisamment élevée indique que le terme est significatif.

Si vous souhaitez utiliser la valeur F pour savoir si l'hypothèse nulle doit être rejetée, comparez-la à votre valeur critique. Vous pouvez calculer la valeur critique dans Minitab ou rechercher la valeur critique dans un tableau de loi F, disponible dans la plupart des livres de statistiques. Pour plus d'informations sur la façon d'utiliser Minitab pour calculer la valeur critique, accédez à la rubrique Utilisation de la fonction de répartition (CDF) inverse et cliquez sur "Utiliser la CDF inverse pour calculer des valeurs critiques".

Valeur de p - Terme

La valeur de p est la probabilité qui mesure le degré de certitude avec lequel il est possible d'invalider l'hypothèse nulle. Des probabilités faibles permettent d'invalider l'hypothèse nulle avec plus de certitude.

Interprétation

Pour déterminer si un terme a une influence significative sur la réponse, comparez la valeur de p au seuil de signification. En général, un seuil de signification (noté alpha ou α) de 0,05 fonctionne bien. Un seuil de signification de 0,05 indique 5 % de risque de conclure à tort qu'il existe une incidence.

L'interprétation de la valeur de p dépend de si elle porte sur un coefficient de facteur fixe ou sur une covariable.

Facteur fixe

Pour un facteur fixe, l'hypothèse nulle établit que le terme n'a pas d'influence significative sur la réponse.

Valeur de p ≤ α : le facteur fixe influe de manière significative sur la réponse: Si la valeur de p est inférieure ou égale au seuil de signification, vous pouvez conclure que le facteur fixe a une influence significative sur la réponse. Le rejet de l'hypothèse nulle signifie que l'effet d'un niveau est significativement différent des autres effets de niveaux du terme.
Valeur de p > α : le facteur fixe n'influe pas de manière significative sur la réponse: Si la valeur de p est supérieure au seuil de signification, vous ne pouvez pas conclure que le facteur fixe influe de manière significative sur la réponse. Il est sans doute nécessaire de réajuster le modèle sans le terme.

Covariable

Pour un terme de covariable, l'hypothèse nulle est qu'il n'existe aucune association entre le terme et la réponse.

Valeur de p ≤ α : l'association est statistiquement significative.: Si la valeur de p est inférieure ou égale au seuil de signification, vous pouvez conclure qu'il existe une association statistiquement significative entre la covariable et la réponse.
Valeur de p > α : l'association n'est pas statistiquement significative.: Si la valeur de p est supérieure au seuil de signification, vous ne pouvez pas conclure qu'il existe une association statistiquement significative entre la covariable et la réponse. Il est sans doute nécessaire de réajuster le modèle sans la covariable.