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.
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.
Terme | Coeff | Coef ErT | FIV |
---|---|---|---|
Constante | 2,394 | 0,145 | |
Temps de cuisson | 0,7349 | 0,0538 | 1,11 |
Température de cuisson 2 | 0,5451 | 0,0541 | 1,20 |
Temps de cuisson*Temps de cuisson | -0,384 | 0,153 | 1,04 |
Temps de cuisson*Température de cuisson 2 | -0,5106 | 0,0562 | 1,24 |
Dans ces résultats, les coefficients pour Temps de cuisson et Température de cuisson 2 sont des nombres positifs. Le coefficient du terme au carré de Temps de cuisson et celui du terme d'interaction entre Temps de cuisson et Température de cuisson 2 sont des nombres négatifs. En général, les coefficients positifs augmentent la probabilité de l'événement tandis que les coefficients négatifs la réduisent quand la valeur du terme augmente.
Source | DL | Somme des carrés des écarts ajustée | Moyenne ajustée | Khi deux | Valeur de p |
---|---|---|---|---|---|
Modèle | 4 | 737,452 | 184,363 | 737,45 | 0,000 |
Temps de cuisson | 1 | 203,236 | 203,236 | 203,24 | 0,000 |
Température de cuisson 2 | 1 | 100,432 | 100,432 | 100,43 | 0,000 |
Temps de cuisson*Temps de cuisson | 1 | 6,770 | 6,770 | 6,77 | 0,009 |
Temps de cuisson*Température de cuisson 2 | 1 | 80,605 | 80,605 | 80,61 | 0,000 |
Erreur | 45 | 32,276 | 0,717 | ||
Total | 49 | 769,728 |
Dans ces résultats, les effets principaux pour Temps de cuisson et Température de cuisson 2 sont statistiquement significatifs au seuil de 0,05. Vous pouvez en conclure que la variation de ces variables entraîne une variation de la variable de réponse. Etant donné que les termes d'ordre supérieur se trouvent dans le modèle, les coefficients des effets principaux ne décrivent pas complètement l'effet de ces facteurs.
Le terme au carré pour Temps de cuisson est significatif. Vous pouvez en conclure que la variation de cette variable entraîne une variation de la variable de réponse, mais que l'association n'est pas linéaire.
L'effet de l'interaction entre Temps de cuisson et Température de cuisson 2 est significatif. Vous pouvez en conclure que l'effet des variations sur la couleur dans Temps de cuisson dépend du seuil de Température de cuisson 2. De même, vous pouvez en conclure que l'effet des variations sur la couleur dans Température de cuisson 2 dépend du seuil de Temps de cuisson.
Incrément | Rapport des probabilités de succès | IC à 95 % | |
---|---|---|---|
Temps de cuisson | 2 | * | (*; *) |
Température de cuisson 2 | 15 | 2,1653 | (1,9652; 2,3858) |
Dans ces résultats, le modèle dispose de trois termes pour prévoir si la couleur des bretzels respectera les normes de qualité : Temps de cuisson, Température de cuisson 2 et le terme au carré pour Temps de cuisson. Dans cet exemple, une couleur acceptable constitue l'événement.
Le changement d'unité montre la différence entre les unités naturelles pour une unité codée dans le plan. Par exemple, dans les unités naturelles, le niveau inférieur de Température de cuisson 2 est 127. Le niveau supérieur est de 157 degrés. La distance entre le niveau inférieur et le point central représente un changement de 1 unité codée. Dans ce cas, cette distance est de 15 degrés.
Le rapport des probabilités de succès pour Température de cuisson 2 est approximativement de 2,17. Pour chaque augmentation de 15 degrés de la température, les probabilités de succès dont la couleur du bretzel est acceptable augmentent de 2,17 fois environ.
Le rapport des probabilités de succès pour Temps de cuisson est manquant, car le modèle inclut le terme au carré pour Temps de cuisson. Le rapport des probabilités de succès n'a pas de valeur fixe, car la valeur dépend de celle de Temps de cuisson.
Niveau A | Niveau B | Rapport des probabilités de succès | IC à 95 % |
---|---|---|---|
Mois | |||
2 | 1 | 1,1250 | (0,0600; 21,0834) |
3 | 1 | 3,3750 | (0,2897; 39,3165) |
4 | 1 | 7,7143 | (0,7461; 79,7592) |
5 | 1 | 2,2500 | (0,1107; 45,7172) |
6 | 1 | 6,0000 | (0,5322; 67,6397) |
3 | 2 | 3,0000 | (0,2547; 35,3325) |
4 | 2 | 6,8571 | (0,6556; 71,7169) |
5 | 2 | 2,0000 | (0,0976; 41,0019) |
6 | 2 | 5,3333 | (0,4679; 60,7946) |
4 | 3 | 2,2857 | (0,4103; 12,7323) |
5 | 3 | 0,6667 | (0,0514; 8,6389) |
6 | 3 | 1,7778 | (0,2842; 11,1200) |
5 | 4 | 0,2917 | (0,0252; 3,3719) |
6 | 4 | 0,7778 | (0,1464; 4,1326) |
6 | 5 | 2,6667 | (0,2124; 33,4861) |
Dans ces résultats, le prédicteur de catégorie est le premier mois de la haute saison d'un hôtel. La réponse correspond à l'annulation ou non d'une réservation par un client. Dans cet exemple, une annulation constitue l'événement. Le plus grand rapport des probabilités de succès est d'environ 7,71, lorsque le niveau A est le mois 4 et le niveau B est le mois 1. Cela indique que la probabilité qu'un client annule une réservation pendant le mois 4 est environ 8 fois supérieure à la probabilité qu'un client annule une réservation pendant le mois 1.
Pour déterminer l'ajustement du modèle aux données, étudiez les statistiques d'adéquation de l'ajustement dans le tableau Récapitulatif du modèle.
De nombreuses statistiques récapitulatives du modèle et d'adéquation de l'ajustement sont influencées par la façon dont les données sont organisées dans la feuille de travail et par le nombre d'essais contenus dans chaque ligne (un ou plusieurs). Le test de Hosmer-Lemeshow n'est pas influencé par l'organisation des données et présente des résultats comparables que les lignes contiennent un ou plusieurs essais. Pour plus d'informations, reportez-vous à la rubrique Influence du format des données sur l'ajustement dans la régression logistique binaire.
Plus la valeur R2 de la somme des carrés d'écart est élevée, plus le modèle est ajusté à vos données. Le R2 de la somme des carrés d'écart est toujours compris entre 0 et 100 %.
Le R2 de la somme des carrés d'écart augmente toujours lorsque vous ajoutez des termes à un modèle. Par exemple, le meilleur modèle à cinq termes aura toujours une valeur R2 de la somme des carrés d'écart au moins aussi élevée que celle du meilleur modèle à quatre prédicteurs. Par conséquent, le R2 de la somme des carrés d'écart est surtout utile pour comparer des modèles de même taille.
La disposition des données a un impact sur le R2 de la somme des carrés d'écart. Le R2 de la somme des carrés d'écart est généralement plus élevé pour des données avec plusieurs essais par ligne que pour des données avec un seul essai par ligne. Les valeurs de R2 de la somme des carrés d'écart sont comparables uniquement entre des modèles qui utilisent le même format de données.
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 présente une valeur souhaitée, vous devez consulter les graphiques des valeurs résiduelles et les tests d'adéquation de l'ajustement pour évaluer l'ajustement du modèle aux données.
Pour comparer des modèles n'ayant pas le même nombre de termes, utilisez le R2 ajusté de la somme des carrés d'écart. Celui-ci augmente toujours lorsque vous ajoutez un terme au modèle. Le R2 ajusté de la somme des carrés d'écart intègre le nombre de termes dans le modèle pour vous aider à choisir le modèle correct.
R carré de la somme des carrés des écarts | R carré (ajust) de la somme des carrés des écarts | AIC | AICc | BIC |
---|---|---|---|---|
95,81% | 95,16% | 243,85 | 245,80 | 255,32 |
Dans ces résultats, le modèle explique 95,81 % de la somme des carrés des écarts dans la variable de réponse. Pour ces données, la valeur R2 de la somme des carrés d'écart indique que le modèle fournit un ajustement correct aux données. Si des modèles supplémentaires sont ajustés avec d'autres termes, utilisez la valeur R2 de la somme des carrés d'écart ajustée, ainsi que les valeurs AIC, AICc et BIC pour comparer l'ajustement des modèles aux données.
Si l'écart est statistiquement significatif, vous pouvez essayer une autre fonction de liaison ou modifier les termes du modèle.
Test | DL | Khi deux | Valeur de p |
---|---|---|---|
Somme des carrés des écarts | 44 | 32,26 | 0,905 |
Pearson | 44 | 31,98 | 0,911 |
Hosmer-Lemeshow | 7 | 4,18 | 0,758 |
Dans ces résultats, les tests d'adéquation de l'ajustement ont tous des valeurs de p supérieures au seuil de signification habituel de 0,05. Les tests ne permettent pas de conclure que les probabilités prévues diffèrent des probabilités observées d'une façon non prévue par la loi binomiale.