Méthodes et formules pour l'équation estimée pour la fonction Droite d'ajustement binaire

Sélectionnez la méthode ou la formule de votre choix.

Coefficients

Il existe deux méthodes pour trouver les estimations du maximum de vraisemblance des coefficients. La première consiste à maximiser directement la fonction de vraisemblance relative aux coefficients. Les expressions ne sont pas linéaires dans les coefficients. La seconde méthode consiste à utiliser une approche itérative des moindres carrés repondérés, qui correspond à la méthode employée par Minitab pour obtenir les estimations des coefficients. McCullagh et Nelder1 montrent que ces deux méthodes sont équivalentes. Cependant, la méthode itérative des moindres carrés repondérés est plus facile à appliquer. Pour plus de détails, voir 1.

[1] P. McCullagh et J. A. Nelder (1989). Generalized Linear Models, 2nd Ed., Chapman & Hall/CRC, London.

Erreur type des coefficients

L'erreur type du ie coefficient correspond à la racine carrée positive du ie élément diagonal de la matrice de variance/covariance. La matrice de variance/covariance a la forme suivante :

W est une matrice diagonale dans laquelle les éléments diagonaux sont fournis par la formule suivante :

La matrice de variance/covariance est fondée sur la matrice hessienne observée au lieu de la matrice d'informations de Fisher. Minitab utilise la matrice hessienne observée, car le modèle obtenu est plus fiable en cas d'erreur de spécification de la moyenne conditionnelle.

Si la liaison canonique est utilisée, la matrice hessienne observée et la matrice d'informations de Fisher sont identiques.

Notation

TermeDescription
yivaleur de la réponse pour la ie ligne
réponse moyenne estimée pour la ie ligne
V(·)fonction de variance fournie dans le tableau ci-dessous
g(·)fonction de liaison
V '(·)première dérivée de la fonction de variance
g'(·)première dérivée de la fonction de liaison
g''(·)seconde dérivée de la fonction de liaison

La fonction de variance dépend du modèle :

Modèle Fonction de variance
Binomiale
Poisson

Pour plus d'informations, reportez-vous à [1] et à [2].

[1] A. Agresti (1990). Categorical Data Analysis. John Wiley & Sons, Inc.

[2] P. McCullagh et J.A. Nelder (1992). Generalized Linear Model. Chapman & Hall.

Rapports des probabilités de succès pour la régression logistique binaire

Le rapport des probabilités de succès n'est fourni que si vous sélectionnez la fonction de liaison logit pour un modèle avec une réponse binaire. Dans ce cas, le rapport des probabilités de succès sert à interpréter la relation entre un prédicteur et une réponse.

Le rapport des probabilités de succès (τ) peut être tout nombre non négatif. Le rapport des probabilités de succès de 1 sert comme référence de comparaison. Si τ = 1, il n'existe aucune association entre la réponse et le prédicteur. Si τ < 1, les probabilités de succès de l'événement sont supérieures pour le niveau de référence du facteur (ou pour les niveaux inférieurs d'un prédicteur continu). Si τ > 1, les probabilités de succès de l'événement sont inférieures pour le seuil de référence du facteur (ou pour les niveaux inférieurs d'un prédicteur continu). Plus le rapport est éloigné de 1, plus le degré d'association est fort.

Remarque

Pour le modèle de régression logistique binaire avec une covariable ou un facteur, les probabilités de succès estimées sont calculées comme suit :

La relation exponentielle fournit une interprétation pour β : les probabilités de succès sont multipliées par eβ1 pour chaque augmentation d'une unité de x. Le rapport des probabilités de succès est équivalent à exp(β1).

Par exemple, si β est égal à 0,75, le rapport des probabilités de succès est de exp(0,75), soit 2,11. Cela indique une augmentation de 111 % des probabilités de succès pour chaque augmentation d'une unité dans x.

Notation

TermeDescription
probabilité estimée de succès pour la ie ligne des données
coefficient estimé de l'ordonnée à l'origine
coefficient estimé pour le prédicteur x
point de donnée pour la ie ligne

Matrice de variance/covariance

Matrice d x d, où d représente le nombre de prédicteurs plus un. La variance de chaque coefficient figure dans la cellule en diagonale et la covariance de chaque paire de coefficients figure dans la cellule hors diagonale appropriée. La variance est l'erreur type du carré du coefficient.

La matrice de variance/covariance provient de la dernière itération de la valeur inverse de la matrice d'informations. La matrice de variance/covariance a la forme suivante :

W est une matrice diagonale dans laquelle les éléments diagonaux sont fournis par la formule suivante :

La matrice de variance/covariance est fondée sur la matrice hessienne observée au lieu de la matrice d'informations de Fisher. Minitab utilise la matrice hessienne observée, car le modèle obtenu est plus fiable en cas d'erreur de spécification de la moyenne conditionnelle.

Si la liaison canonique est utilisée, la matrice hessienne observée et la matrice d'informations de Fisher sont identiques.

Notation

TermeDescription
yi valeur de la réponse pour la ie ligne
réponse moyenne estimée pour la ie ligne
V(·)fonction de variance fournie dans le tableau ci-dessous
g(·)fonction de liaison
V '(·)première dérivée de la fonction de variance
g'(·)première dérivée de la fonction de liaison
g''(·)seconde dérivée de la fonction de liaison

La fonction de variance dépend du modèle :

Modèle Fonction de variance
Binomiale
Poisson

Pour plus d'informations, reportez-vous à [1] et à [2].

[1] A. Agresti (1990). Categorical Data Analysis. John Wiley & Sons, Inc.

[2] P. McCullagh et J.A. Nelder (1992). Generalized Linear Model. Chapman & Hall.