Source | DL | Somme des carrés des écarts ajustée | Moyenne ajustée | Khi deux | Valeur de p |
---|---|---|---|---|---|
Régression | 1 | 22,7052 | 22,7052 | 22,71 | 0,000 |
Dose (mg) | 1 | 22,7052 | 22,7052 | 22,71 | 0,000 |
Erreur | 4 | 0,9373 | 0,2343 | ||
Total | 5 | 23,6425 |
Dans ces résultats, la valeur de p de la dose est 0,000, ce qui est inférieur au seuil de signification de 0,05. Ces résultats indiquent que l'association entre la dose et la présence de la bactérie à la fin du traitement est statistiquement significative.
Le rapport des probabilités de succès permet de déterminer l'effet d'un prédicteur. Minitab calcule les rapports des probabilités de succès lorsque le modèle utilise la fonction de liaison logit.
Les rapports de probabilités de succès supérieurs à 1 indiquent que l'événement est plus susceptible de se produire à mesure que le prédicteur augmente. Les rapports de probabilités de succès inférieurs à 1 indiquent que l'événement est moins susceptible de se produire à mesure que le prédicteur augmente.
Incrément | Rapport des probabilités de succès | IC à 95 % | |
---|---|---|---|
Dose (mg) | 0,5 | 6,1279 | (1,7218; 21,8087) |
Dans ces résultats, le modèle utilise le dosage d'un médicament pour prévoir la présence ou l'absence de bactérie chez des sujets adultes. Chaque comprimé contenant une dose de 0,5 mg, les chercheurs utilisent une variation d'unité de 0,5 mg. Le rapport des probabilités de succès est environ de 6. Pour chaque comprimé supplémentaire pris par un adulte, les probabilités de succès concernant le fait qu'un patient n'ait pas la bactérie sont multipliées par 6.
Utilisez la droite d'ajustement pour examiner la relation entre la variable de réponse et la variable de prédiction.
Pour déterminer l'ajustement du modèle aux données, étudiez les statistiques dans le tableau Récapitulatif du modèle. Pour la régression logistique binaire, le format des données affecte les statistiques R2 de la somme des carrés d'écart, mais pas l'AIC. Pour plus d'informations, reportez-vous à la rubrique Influence du format des données sur l'ajustement dans la régression logistique binaire.
Plus le R2 de la somme des carrés d'écart est élevé, 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 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, le R2 de la somme des carrés d'écart est surtout utile pour comparer des modèles de même taille.
Pour la régression logistique binaire, le format des données a un impact sur le R2 de la somme des carrés d'écart. Celui-ci est généralement plus élevé pour les données qui sont au format événement/essai. Les R2 de la somme des carrés d'écart sont comparables uniquement entre des modèles qui utilisent le même format de données.
La valeur R2 de la somme des carrés d'écart n'est qu'une des mesures de l'ajustement du modèle aux données. Même si un modèle a une valeur R2 élevée, vous devez consulter les graphiques des valeurs résiduelles pour évaluer l'ajustement du modèle aux données.
Pour comparer des modèles n'ayant pas le même nombre de prédicteurs, utilisez le R2 ajusté de la somme des carrés d'écart. Celui-ci augmente toujours lorsque vous ajoutez un prédicteur au modèle. Le R2 ajusté de la somme des carrés d'écart intègre le nombre de prédicteurs 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 | Zone située sous la courbe ROC |
---|---|---|---|---|---|
96,04% | 91,81% | 10,63 | 14,63 | 10,22 | 0,9398 |
Dans ces résultats, le modèle explique 96,04 % de la somme des carrés des écarts dans la variable de réponse. Pour ces données, la valeur R2 de la somme des carrés des écarts indique que le modèle fournit un bon ajustement aux données. Si des modèles supplémentaires sont ajustés avec d'autres prédicteurs, utilisez les valeurs de R2 pour comparer l'ajustement des modèles aux données.
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 pour la fonction Droite d'ajustement binaire et cliquez sur le nom du graphique des valeurs résiduelles dans la liste située en haut de la page.
Utilisez le diagramme des valeurs résiduelles en fonction des valeurs ajustées pour vérifier l'hypothèse selon laquelle les valeurs résiduelles sont normalement distribuées. Dans l'idéal, les points doivent être répartis aléatoirement des deux côtés de 0, sans schéma reconnaissable.
Le graphique des valeurs résiduelles en fonction des valeurs ajustées est uniquement disponible lorsque les données sont au format Evénement/Essai.
Schéma | Ce que le schéma indique |
---|---|
Eparpillement ou répartition déséquilibrée des valeurs résiduelles en fonction des valeurs ajustées | Une fonction de liaison inadaptée |
Curviligne | Un terme d'ordre supérieur manquant ou une fonction de liaison inadaptée |
Un point très éloigné de zéro | Une valeur aberrante |
Un point éloigné des autres points dans le sens des x | Un point influent |