Test de Wald | |||
---|---|---|---|
Source | DL | Khi deux | Valeur de P |
Régression | 3 | 56,29 | 0,000 |
Heures depuis nettoyage | 1 | 4,74 | 0,029 |
Température | 1 | 38,46 | 0,000 |
Taille de vis | 1 | 13,09 | 0,000 |
Terme | Coeff | Coef ErT | Valeur de Z | Valeur de p | FIV |
---|---|---|---|---|---|
Constante | 4,3982 | 0,0628 | 70,02 | 0,000 | |
Heures depuis nettoyage | 0,01798 | 0,00826 | 2,18 | 0,029 | 1,00 |
Température | -0,001974 | 0,000318 | -6,20 | 0,000 | 1,00 |
Taille de vis | |||||
petite | -0,1546 | 0,0427 | -3,62 | 0,000 | 1,00 |
Dans ces résultats, les trois prédicteurs sont statistiquement significatifs au niveau 0,05. Vous pouvez en conclure que la variation de ces variables entraîne une variation de la variable de réponse.
Utilisez le coefficient pour déterminer si la variation d'une variable de prévision augmente ou réduit la probabilité d'occurrence de l'événement. Le coefficient estimé associé à un prédicteur représente la variation de la fonction de liaison pour chaque variation d'une unité du prédicteur quand tous les autres prédicteurs sont maintenus constants. La relation entre le coefficient et le nombre d'événements dépend de plusieurs aspects de l'analyse, notamment la fonction de liaison et les niveaux de référence des prédicteurs de catégorie du modèle. En général, les coefficients positifs augmentent la probabilité de l'événement tandis que les coefficients négatifs la réduisent. Un coefficient estimé proche de zéro implique que l'effet du prédicteur est réduit ou inexistant.
L'interprétation des coefficients estimés pour les prédicteurs de catégorie est faite par rapport au niveau de référence du prédicteur. Des coefficients positifs indiquent que l'événement a plus de chances d'avoir lieu à ce niveau du prédicteur qu'au niveau de référence du facteur. Des coefficients négatifs indiquent que l'événement a moins de chances d'avoir lieu à ce niveau du prédicteur qu'au niveau de référence.
Le coefficient pour Heures depuis nettoyage est positif, ce qui suggère que les durées plus longues sont associées à des valeurs de réponse plus élevées. Le coefficient pour la température est négatif, ce qui suggère que les températures plus élevées sont associées à des valeurs de réponse plus faibles.
La taille de la vis est une variable de catégorie à un coefficient, ce qui signifie que la variable a deux niveaux et qu'elle utilise le codage 0, 1. Le coefficient pour la petite vis est négatif ; celle-ci est donc associée à des valeurs de réponse inférieures au niveau de référence.
Si un terme d'interaction est statistiquement significatif, la relation entre un prédicteur et la réponse diffère selon le niveau de l'autre prédicteur. Dans ce cas, vous ne devez pas interpréter les effets principaux sans prendre en compte l'effet d'interaction. Pour mieux comprendre les effets principaux, les effets d'interaction et la courbure de votre modèle, reportez-vous aux rubriques Diagrammes factoriels et Optimisation des réponses.
Si l'écart est statistiquement significatif, vous pouvez essayer une autre fonction de liaison ou modifier les termes du modèle.
Test | DL | Estimation | Moyenne | Khi deux | Valeur de p |
---|---|---|---|---|---|
Somme des carrés des écarts | 32 | 31,60722 | 0,98773 | 31,61 | 0,486 |
Pearson | 32 | 31,26713 | 0,97710 | 31,27 | 0,503 |
Dans ces résultats, les tests d'adéquation de l'ajustement ont des valeurs de p supérieures au seuil de signification habituel de 0,05. Cela ne suffit pas à en conclure que les nombres prévus d'événements diffèrent des nombres observés d'événements.
Utilisez les valeurs AIC, AICc et BIC pour comparer différents modèles. Des valeurs faibles sont souhaitables pour chacune. Cependant, le modèle présentant la valeur la plus faible pour un ensemble de prédicteurs n'est pas forcément bien ajusté aux données. Vous devez aussi utiliser les graphiques des valeurs résiduelles et les tests d'adéquation de l'ajustement pour évaluer l'ajustement du modèle aux données.
R carré de la somme des carrés des écarts | R carré (ajust) de la somme des carrés des écarts | AIC | AICc | BIC |
---|---|---|---|---|
64,20% | 60,80% | 253,29 | 254,58 | 259,62 |
Terme | Coeff | Coef ErT | Valeur de Z | Valeur de p | FIV |
---|---|---|---|---|---|
Constante | 4,3982 | 0,0628 | 70,02 | 0,000 | |
Heures depuis nettoyage | 0,01798 | 0,00826 | 2,18 | 0,029 | 1,00 |
Température | -0,001974 | 0,000318 | -6,20 | 0,000 | 1,00 |
Taille de vis | |||||
petite | -0,1546 | 0,0427 | -3,62 | 0,000 | 1,00 |
Dans le premier ensemble de résultats, l'AIC est d'environ 253. L'AICc est d'environ 255. Le BIC est d'environ 260. Ce modèle ne comprend pas l'interaction entre la température et la taille de la vis. Les critères d'information issus d'un seul modèle n'indiquent pas si le modèle est bien ajusté aux données, car ces valeurs dépendent de l'effectif d'échantillon.
R carré de la somme des carrés des écarts | R carré (ajust) de la somme des carrés des écarts | AIC | AICc | BIC |
---|---|---|---|---|
85,99% | 81,46% | 236,05 | 238,05 | 243,97 |
Terme | Coeff | Coef ErT | Valeur de Z | Valeur de p | FIV |
---|---|---|---|---|---|
Constante | 4,5760 | 0,0736 | 62,15 | 0,000 | |
Heures depuis nettoyage | 0,01798 | 0,00826 | 2,18 | 0,029 | 1,00 |
Température | -0,003285 | 0,000441 | -7,46 | 0,000 | 1,92 |
Taille de vis | |||||
petite | -0,5444 | 0,0990 | -5,50 | 0,000 | 5,37 |
Température*Taille de vis | |||||
petite | 0,002804 | 0,000640 | 4,38 | 0,000 | 6,64 |
Dans le second ensemble de résultats, l'AIC est d'environ 236. L'AICc est d'environ 238. Le BIC est d'environ 244. Ce modèle comprend l'interaction entre la température et la taille de la vis. Le fait que les valeurs soient plus faibles indique que le modèle incluant l'interaction fonctionne mieux.