Permet de sélectionner les variables en supprimant des prédicteurs du modèle existant ou en en y ajoutant sur la base des résultats du test F. La méthode pas à pas combine les procédures de sélection ascendante et d'élimination descendante. La sélection pas à pas ne peut pas s'effectuer si le modèle initial utilise tous les degrés de liberté.
Minitab calcule la statistique F et la valeur de p pour chaque variable du modèle. Si le modèle contient j variables, alors pour toute variable, xr, F est calculé comme suit :
Terme | Description |
---|---|
SCE(j – Xr ) | SC Erreur pour le modèle qui ne contient pas xr |
SCEj | SC Erreur pour le modèle qui contient xr |
CMEj | CM Erreur pour le modèle qui contient xr |
Si la valeur de p d'une variable est supérieure à la valeur indiquée dans Alpha pour exclure, Minitab supprime la variable dont la valeur de p est la plus élevée du modèle, calcule l'équation de régression, affiche les résultats et passe à l'étape suivante.
Si Minitab ne peut pas supprimer une variable, la procédure tente d'en ajouter une. Minitab calcule la statistique F et valeur de p pour chaque variable qui n'est pas présente dans le modèle. Si le modèle contient j variables, alors, pour toute variable, xa, F est calculé comme suit :
Terme | Description |
---|---|
SCEj | SC Erreur avant l'ajout de xa au modèle |
SCE(j + Xa ) | SC Erreur après l'ajout de xa au modèle |
Degrés de liberté pour la variable Xa | |
CME(j + Xa ) | CM Erreur après l'ajout de xa au modèle |
Si la valeur de p correspondant à la statistique F d'une variable est inférieure à la valeur indiquée dans Alpha pour inclure, Minitab ajoute au modèle la variable dont la valeur de p est la plus faible au modèle, calcule l'équation de régression, affiche les résultats et passe à une nouvelle étape. Lorsqu'il devient impossible d'ajouter une variable au modèle ou d'en supprimer, la procédure pas à pas se termine.
Méthode permettant de déterminer les termes à conserver dans un modèle. La sélection ascendante ajoute des variables au modèle en utilisant la même méthode que la procédure pas à pas. Une variable n'est jamais enlevée une fois qu'elle a été ajoutée. La procédure de sélection ascendante par défaut se termine lorsqu'aucune des variables candidates n'a de valeur de p inférieure à la valeur spécifiée dans Alpha pour inclure.
Méthode permettant de déterminer les variables à conserver dans un modèle. L'élimination descendante part d'un modèle contenant tous les termes, puis supprime des termes un par un, avec la même méthode que pour la procédure pas à pas. Aucune variable exclue ne peut être réintégrée au modèle. La procédure d'élimination descendante par défaut se termine lorsqu'aucune des variables incluses dans le modèle n'a de valeur de p supérieure à la valeur spécifiée dans Alpha pour exclure. L'élimination descendante ne peut pas s'effectuer si le modèle initial utilise tous les degrés de liberté.
La procédure de sélection ascendante avec validation dépend de la méthode de validation.
Lorsque vous utilisez un ensemble de données de test, la procédure est semblable à la sélection ascendante. A chaque étape, Minitab ajoute le terme avec la plus petite valeur de p au modèle. A la fin de chaque étape, Minitab calcule la valeur de R2 de test. A la fin de la procédure de sélection ascendante, le modèle ayant la valeur de R2 de test la plus élevée correspond au modèle final.
Une fois les procédures de sélection ascendante terminées pour chaque ensemble, Minitab calcule les valeurs globales de R2 pas à pas de K ensembles pour chaque étape de la procédure de sélection pour chaque ensemble. L'étape avec la valeur de R2 pas à pas de K ensembles devient l'étape pour le modèle choisi à partir d'une procédure finale de sélection ascendante.
Enfin, Minitab effectue la sélection ascendante sur l'ensemble complet de données. Minitab affiche les résultats de la régression pour le modèle à l'étape avec la valeur globale maximale de R2 pas à pas de K ensembles des procédures de pas à pas de K ensembles. Le tableau des détails pour la sélection du modèle et le graphique du R2 pas à pas de K ensembles par rapport à l'étape de sélection du modèle se poursuivent pendant 8 étapes après l'étape des résultats de la régression.