Interprétation des résultats principaux pour la fonction Analyser un plan de surface de réponse

Suivez la procédure ci-dessous pour interpréter un plan factoriel. Les résultats principaux incluent les valeurs de p, les coefficients, le R2 et les graphiques des valeurs résiduelles.

Etape 1 : Déterminer les termes qui contribuent le plus à la variabilité de la réponse

Utilisez un diagramme de Pareto des effets normalisés pour comparer l'importance relative et la signification statistique des effets principaux, des effets quadratiques et des effets d'interaction. Si le modèle inclut un terme d'erreur, le diagramme affiche la valeur absolue des effets normalisés. Si le modèle n'inclut pas de terme d'erreur, Minitab ne crée pas de diagramme de Pareto.

Minitab présente les effets normalisés par ordre décroissant de leurs valeurs absolues. La ligne de référence du diagramme indique les effets significatifs. Par défaut, Minitab utilise un seuil de signification de 0,05 pour tracer la ligne de référence.

Résultats principaux : diagramme de Pareto

Dans ces résultats, l'interaction entre TempéBar et TpsArrêt (AB), ainsi que les termes quadratiques de TempéBar (AA) et TpsArrêt (BB) sont significatifs au seuil de signification α de 0,05.

De plus, vous voyez que l'effet maximal est TempéBar*TpsArrêt (AB) car c'est celui qui a la barre la plus grande. TempéBar*PressBar (AC) est le plus petit parce c'est celui qui a la barre la plus courte.

Etape 2 : Déterminer si l'association entre la réponse et le terme est statistiquement significative

Pour déterminer si l'association entre la réponse et chacun des termes du modèle est statistiquement significative, comparez la valeur de p du terme à votre seuil de signification pour évaluer l'hypothèse nulle. L'hypothèse nulle est que le coefficient du terme est égal à zéro, ce qui implique qu'il n'existe aucune association entre le terme et la réponse. En général, un seuil de signification (noté alpha ou α) de 0,05 fonctionne bien. Un seuil de signification de 0,05 indique un risque de 5 % de conclure à tort qu'il existe une association.

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 variable de réponse et le terme.
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 variable de réponse et le terme. Il est sans doute nécessaire de réajuster le modèle sans le terme.
Si plusieurs prédicteurs ne présentent aucune association statistiquement significative avec la réponse, vous pouvez réduire le modèle en supprimant ces termes un par un. Pour plus d'informations sur la suppression de termes d'un modèle, reportez-vous à la rubrique Réduction du modèle.

Si un terme d'un modèle est statistiquement significatif, l'interprétation dépend du type de terme concerné. Les interprétations sont les suivantes :

  • Si le coefficient d'un facteur est significatif, vous pouvez en conclure que les moyennes des niveaux ne sont pas toutes égales.
  • Si le coefficient d'un terme au carré est significatif, vous pouvez en conclure que la relation entre le facteur et la réponse suit une ligne courbe.
  • Si un coefficient d'un terme d'interaction est significatif, la relation entre l'un des facteurs et la réponse dépend des autres facteurs du terme. Dans ce cas, vous ne devez pas interpréter les effets principaux sans prendre en compte l'effet d'interaction.
Résultats principaux : valeur de p, coefficients

Dans ces résultats, les termes quadratiques de TempéBar et TpsArrêt, ainsi que l'interaction entre TempéBar et TpsArrêt sont significatifs au seuil de signification α de 0,05.

Analyse de la variance

SourceDLSomCar ajustCM ajustValeur FValeur de p
Modèle141137,5181,2514,190,004
  Linéaires4218,6554,6622,820,060
    TempéBar168,1368,1293,520,079
    TpsArrêt170,9470,9393,660,074
    PressBar152,6252,6162,710,119
    TempéMat126,9626,9631,390,255
  Carré4372,0793,0184,800,010
    TempéBar*TempéBar1202,61202,61110,450,005
    TpsArrêt*TpsArrêt1175,32175,3189,050,008
    PressBar*PressBar150,5250,5222,610,126
    TempéMat*TempéMat137,8737,8661,950,181
  Interaction à 2 facteurs6546,7991,1324,700,006
    TempéBar*TpsArrêt1540,47540,47027,890,000
    TempéBar*PressBar10,120,1210,010,938
    TempéBar*TempéMat10,300,3050,020,902
    TpsArrêt*PressBar14,844,8400,250,624
    TpsArrêt*TempéMat10,900,8990,050,832
    PressBar*TempéMat10,160,1600,010,929
Erreur16310,0819,380   
  Inadéquation de l'ajustement10308,2030,82098,510,000
  Erreur pure61,880,313   
Total301447,60     

Etape 3 : Déterminer l'ajustement du modèle à vos données

Pour déterminer l'ajustement du modèle aux données, étudiez les statistiques d'adéquation de l'ajustement dans le tableau Récapitulatif du modèle.

S

Utilisez S pour évaluer la capacité du modèle à décrire la réponse. Utilisez S plutôt que les statistiques R2 pour comparer l'ajustement des modèles.

S est mesuré dans les unités de la variable de réponse et représente la variation de la distance entre les valeurs de données et la réponse de surface réelle. Plus S est petit, mieux le modèle décrit la réponse. Cependant, une faible valeur de S n'indique pas en soi que le modèle respecte les hypothèses du modèle. Vous devez examiner les graphiques des valeurs résiduelles pour vérifier les hypothèses.

R carré

Plus la valeur R2 est élevée, plus le modèle est ajusté à vos données. R2 est toujours compris entre 0 et 100 %.

La valeur R2 augmente toujours lorsque vous ajoutez des prédicteurs à un modèle. Par exemple, le meilleur modèle à 5 prédicteurs aura toujours une valeur R2 au moins aussi élevée que celle du meilleur modèle à 4 prédicteurs. Par conséquent, R2 est surtout utile pour comparer des modèles de même taille.

R carré (ajust)

Utilisez la valeur R2 ajusté pour comparer des modèles n'ayant pas le même nombre de prédicteurs. R2 augmente toujours lorsque vous ajoutez un prédicteur au modèle, même lorsque ce prédicteur n'apporte aucune amélioration réelle au modèle. La valeur de R2 ajusté intègre le nombre de prédicteurs dans le modèle pour vous aider à choisir le modèle correct.

R carré (prév)

La valeur R2 prévu permet de déterminer la capacité de votre modèle à prévoir la réponse pour de nouvelles observations. Les modèles ayant des valeurs de R2 prévu élevées ont une meilleure capacité de prévision.

Une valeur de R2 prévu considérablement inférieure à R2 peut être un signe de surajustement du modèle. Un modèle est dit surajusté lorsqu'il inclut des termes pour des effets qui ne sont pas importants dans la population. Le modèle est alors spécialement ajusté aux données des échantillons, mais risque ne pas être utile pour effectuer des prévisions concernant la population entière.

La valeur R2 prévu peut également être plus utile que R2 ajusté pour comparer des modèles, car elle est calculée avec des observations qui ne sont pas incluses dans le calcul du modèle.

AICc et BIC
Lorsque vous affichez les détails de chaque étape d'une sélection pas à pas ou lorsque vous affichez les résultats développés de l'analyse, Minitab présente deux autres statistiques. Il s'agit du critère d'information d'Akaike corrigé (AICc) et du critère d'information bayésien (BIC). Ces statistiques vous permettent de comparer différents modèles. Des valeurs faibles sont souhaitables pour chacune.
Lors de l'interprétation des statistiques d'adéquation de l'ajustement, prenez en compte les points suivants :
  • Les petits échantillons ne fournissent pas d'estimation précise de la force de la relation entre la réponse et les prédicteurs. Par exemple, pour obtenir une valeur R2 plus précise, vous devez utiliser un échantillon plus grand (en général, 40 ou plus).
  • Les statistiques d'adéquation de l'ajustement ne sont qu'un des types de mesures permettant d'évaluer l'ajustement du modèle. Même si un modèle a une valeur souhaitable, vous devez consulter les graphiques des valeurs résiduelles pour vérifier que le modèle respecte les hypothèses.

Récapitulatif du modèle

SR carréR carré
(ajust)
R carré
(prév)
4,4022878,58%59,84%0,00%
Résultats principaux : S, R carré, R carré (ajust), R carré (prév)

Dans ces résultats, le modèle explique 78,58 % de la variation de la luminosité. Cependant, le R2(prév) de 0 % laisse penser que le modèle est surajusté. Si d'autres modèles sont ajustés avec des prédicteurs différents, utilisez les valeurs de R2 ajusté et les valeurs de R2 prévu pour comparer l'ajustement des modèles aux données.

Etape 4 : Déterminer si votre modèle vérifie les hypothèses de l'analyse

Les graphiques des valeurs résiduelles permettent de déterminer si le modèle est adapté et si les hypothèses de l'analyse sont vérifiées. Si elles ne le sont pas, il se peut que le modèle ne soit pas ajusté aux données et vous devez être prudent lors de l'interprétation des résultats.

Pour plus d'informations sur la manière de traiter les schémas dans les graphiques des valeurs résiduelles, reportez-vous à la rubrique Graphiques des valeurs résiduelles pour la fonction Analyser un plan factoriel et cliquez sur le nom du graphique des valeurs résiduelles dans la liste située en haut de la page.

Graphique des valeurs résiduelles en fonction des valeurs ajustées

Les schémas du tableau suivant peuvent indiquer que le modèle n'est pas adapté.
Schéma Ce que le schéma indique
Eparpillement ou répartition déséquilibrée des valeurs résiduelles en fonction des valeurs ajustées Variance non constante
Curviligne Un terme d'ordre supérieur manquant
Un point très éloigné de zéro Une valeur aberrante
Un point éloigné des autres points dans le sens des x Un point influent

Utilisez le diagramme des valeurs résiduelles en fonction des valeurs ajustées pour vérifier l'hypothèse selon laquelle les valeurs résiduelles suivent une loi normale et ont une variance constante. Dans l'idéal, les points doivent être répartis aléatoirement des deux côtés de 0, sans schéma reconnaissable.

Graphique des valeurs résiduelles en fonction de l'ordre

Utilisez le diagramme des valeurs résiduelles en fonction de l'ordre pour vérifier l'hypothèse selon laquelle les valeurs résiduelles sont indépendantes les unes par rapport aux autres. Les valeurs résiduelles indépendantes ne présentent aucune tendance ou schéma lorsqu'elles sont affichées dans un ordre chronologique. La présence de schémas dans les points peut indiquer que les valeurs résiduelles qui sont proches les unes des autres peuvent être corrélées, et ne sont donc pas indépendantes. Idéalement, les valeurs résiduelles du graphique doivent être réparties de façon aléatoire autour de la ligne centrale.
Si vous observez un schéma, étudiez-en la cause. Les types de schémas suivants peuvent indiquer que les valeurs résiduelles sont corrélées.
Tendance
Equipe
Cycle

Droite de Henry des valeurs résiduelles

Utilisez la droite de Henry des valeurs résiduelles afin de vérifier l'hypothèse selon laquelle les valeurs résiduelles sont normalement distribuées. La droite de Henry des valeurs résiduelles doit suivre approximativement une ligne droite.

Les schémas du tableau suivant peuvent indiquer que le modèle n'est pas adapté.

Schéma Ce que le schéma indique
Une ligne pas droite Non-normalité
Un point éloigné de la ligne Une valeur aberrante
Modification de la pente Une variable non identifiée