Sur ce thème
Valeur ajustée
Les valeurs ajustées sont également appelées 
. Les valeurs ajustées sont des estimations ponctuelles de la réponse moyenne des valeurs des prédicteurs. Les valeurs des prédicteurs sont également appelées valeurs de x. Minitab utilise l'équation de régression et les paramètres des variables pour calculer l'ajustement.
Interprétation
Les valeurs ajustées sont calculées en saisissant les valeurs X dans l'équation du modèle pour obtenir une variable de réponse.
Par exemple, si l'équation est y = 5 + 10x, la valeur ajustée pour la valeur x, 2, est 25 (25 = 5 + 10(2)).
ErT ajust
L’erreur type de l’ajustement (ajustement SE) estime la variation de la réponse moyenne estimée pour les paramètres de variable spécifiés. Le calcul de l’intervalle de confiance pour la réponse moyenne utilise l’erreur type de l’ajustement. Les erreurs types sont toujours non négatives. L’analyse calcule les erreurs-types pour les Stat modèles du menu et les modèles de Regressão Linear et Regressão Logística Binária à partir du Module d'analyse prédictive.
Interprétation
Utilisez l'erreur type de l'ajustement pour mesurer la précision de l'estimation de la réponse moyenne. Plus l’erreur-type est petite, plus la réponse moyenne prédite est précise. Par exemple, un analyste développe un modèle pour prédire le délai de livraison. Pour un ensemble de paramètres variables, le modèle prédit un délai de livraison moyen de 3,80 jours. L’erreur type de l’ajustement pour ces paramètres est de 0,08 jour. Pour un deuxième ensemble de paramètres variables, le modèle produit le même délai de livraison moyen avec une erreur standard de l’ajustement de 0,02 jour. L’analyste peut être plus confiant dans le fait que le délai de livraison moyen pour le deuxième ensemble de paramètres variables est proche de 3,80 jours.
Avec la valeur ajustée, vous pouvez utiliser l’erreur type de l’ajustement pour créer un intervalle de confiance pour la réponse moyenne. Par exemple, en fonction du nombre de degrés de liberté, un intervalle de confiance à 95 % s’étend sur environ deux erreurs types au-dessus et en dessous de la moyenne prédite. Pour les délais de livraison, l’intervalle de confiance à 95 % pour la moyenne prédite de 3,80 jours lorsque l’erreur type est de 0,08 est (3,64, 3,96) jours. Vous pouvez être sûr à 95 % que la moyenne de la population se situe dans cette plage. Lorsque l’erreur-type est de 0,02, l’intervalle de confiance à 95 % est de (3,76, 3,84) jours. L’intervalle de confiance pour le deuxième ensemble de paramètres de variable est plus étroit car l’erreur standard est plus petite.
IC à 95 %
L’intervalle de confiance pour l’ajustement fournit une plage de valeurs probables pour la réponse moyenne compte tenu des paramètres spécifiés des prédicteurs. L’analyse calcule les intervalles de confiance pour les modèles du Stat menu et les modèles de Regressão Linear et Regressão Logística Binária à partir de la Module d'analyse prédictive.
Interprétation
Utilisez l’intervalle de confiance pour évaluer l’estimation de la valeur ajustée pour les valeurs observées des variables.
Par exemple, avec un niveau de confiance de 95 %, vous pouvez être sûr à 95 % que l’intervalle de confiance contient la moyenne de population pour les valeurs spécifiées des variables dans le modèle. L’intervalle de confiance vous aide à évaluer la signification pratique de vos résultats. Utilisez vos connaissances spécialisées pour déterminer si l’intervalle de confiance comprend des valeurs qui ont une signification pratique pour votre situation. Un intervalle de confiance large indique que vous pouvez être moins confiant quant à la moyenne des valeurs futures. Si l’intervalle est trop large pour être utile, envisagez d’augmenter la taille de votre échantillon.
IP de 95 %
L’intervalle de prédiction est une plage qui est susceptible de contenir une seule réponse future pour une combinaison sélectionnée de paramètres de variables. L’analyse calcule les intervalles de prédiction pour les modèles du Stat menu et les modèles à partir Module d'analyse prédictivedu Regressão Linear .
Interprétation
Utilisez les intervalles de prédiction (IP) pour évaluer la précision des prédictions.Les intervalles de prédiction vous aident à évaluer la signification pratique de vos résultats.Si un intervalle de prédiction s’étend au-delà des limites acceptables, les prédictions peuvent ne pas être suffisamment précises pour vos besoins.
Avec un IP de 95 %, vous pouvez être sûr à 95 % qu’une seule réponse sera contenue dans l’intervalle compte tenu des paramètres des prédicteurs que vous avez spécifiés. L’intervalle de prédiction est toujours plus large que l’intervalle de confiance en raison de l’incertitude supplémentaire liée à la prédiction d’une réponse unique par rapport à la réponse moyenne.
Par exemple, un ingénieur en matériaux d’un fabricant de meubles développe un modèle de régression simple pour prédire la rigidité des panneaux de particules à partir de la densité du panneau. L’ingénieur vérifie que le modèle répond aux hypothèses de l’analyse. Ensuite, l’analyste utilise le modèle pour prédire la rigidité.
L’équation de régression prédit que la rigidité d’une nouvelle observation avec une densité de 25 est -21,53 + 3,541*25, soit 66,995. Bien qu’il soit peu probable qu’une telle observation ait une rigidité d’exactement 66,995, l’intervalle de prédiction indique que l’ingénieur peut être sûr à 95 % que la valeur réelle se situera entre 48 et 86 environ.
