Sélectionner les graphiques à afficher pour Ajuster le modèle de régression

Minitab fournit un diagramme de Pareto des effets pour visualiser les résultats issus des tableaux des coefficients et ANOVA. Pour les termes dans le modèle, ce graphique vous permet de comparer la valeur relative de ces effets et d'évaluer leur signification statistique. Minitab crée des diagrammes de Pareto lorsque le modèle laisse au moins 1 degré de liberté pour l'erreur.

Le seuil de la signification statistique dépend du seuil de signification (noté α ou alpha). A moins que vous n'utilisiez une méthode de sélection pas à pas, le seuil de signification est égal à 1 moins le niveau de confiance défini pour l'analyse. Pour plus d'informations sur la modification du niveau de confiance, reportez-vous à la rubrique Sélectionner les options pour Ajuster le modèle de régression. Si vous utilisez la sélection pas à pas ou descendante, le seuil de signification est celui utilisé par Minitab pour enlever un terme du modèle, appelé Alpha pour exclure. Si vous utilisez la sélection ascendante, le seuil de signification est celui auquel Minitab ajoute un terme au modèle, appelé Alpha pour inclure. Pour plus d'informations sur le choix des méthodes pas à pas, reportez-vous à la rubrique Effectuer une régression pas à pas pour Ajuster le modèle de régression.

Valeurs résiduelles pour les diagrammes

Spécifiez le type de valeur résiduelle à afficher dans les graphiques des valeurs résiduelles. Pour plus d'informations, reportez-vous à la rubrique Quels types de valeurs résiduelles sont incluses dans Minitab ?.

• Standard : représentez les valeurs résiduelles brutes standard.
• Normalisé : représentez les valeurs résiduelles normalisées.
• Supprimées : représentez les valeurs résiduelles studentisées supprimées.

Graphiques des valeurs résiduelles

Utilisez les graphiques des valeurs résiduelles pour déterminer si votre modèle satisfait les hypothèses de l'analyse. Pour plus d'informations, reportez-vous à la rubrique Graphiques des valeurs résiduelles dans Minitab.

• Diagrammes individuels : sélectionnez les graphiques des valeurs résiduelles à afficher.

  Histogramme des valeurs résiduelles

  Affichez un histogramme des valeurs résiduelles.

  Droite de Henry des valeurs résiduelles

  Affichez une droite de Henry des valeurs résiduelles.

  Valeurs résiduelles en fonction des valeurs ajustées

  Affichez un diagramme des valeurs résiduelles en fonction des valeurs ajustées.

  Valeurs résiduelles en fonction de l'ordre

  Affichez les valeurs résiduelles en fonction de l'ordre des données. Le numéro de ligne de chaque point de données apparaît sur l'axe des x.

• Quatre en un : regroupez les quatre graphiques des valeurs résiduelles dans un seul graphique.

Valeurs résiduelles en fonction des variables

Entrez une ou plusieurs variables à représenter en fonction des valeurs résiduelles. Vous pouvez représenter les types de variables suivants :

• Des variables qui se trouvent déjà dans le modèle en cours, pour rechercher la courbure des valeurs résiduelles.
• Des variables importantes qui ne se trouvent pas dans le modèle en cours, pour déterminer si elles sont liées à la réponse.

Lorsque vous utilisez la Sélection ascendante avec validation comme procédure pas à pas, Minitab fournit un diagramme de la statistique R² pour l'ensemble de données d'apprentissage et de la statistique R² de test ou de la statistique R² pas à pas de K ensembles pour chaque étape de la procédure de sélection du modèle. L'affichage de la statistique R² de test ou de la statistique R² pas à pas de K ensembles dépend de l'utilisation d'un ensemble de données de test ou d'une validation croisée de K ensembles.

Interprétation

Utilisez le diagramme pour comparer les valeurs des différentes statistiques R² à chaque étape. Généralement, le modèle fonctionne bien lorsque les statistiques R² sont toutes deux élevées. Minitab affiche des statistiques de régression pour le modèle à partir de l'étape qui maximise la statistique R² de test ou la statistique R² pas à pas de K ensembles. Le diagramme montre si les modèles plus simples s'adaptent suffisamment bien pour être également de bons candidats.

Lorsque le modèle est sur-ajusté, la statistique R² de test ou la statistique R² pas à pas de K ensembles commence à diminuer à mesure que les termes entrent dans le modèle. Cette diminution se produit alors que la statistique R² d'apprentissage ou la statistique R² correspondante pour toutes les données continue d'augmenter. Un modèle est sur-ajusté si vous ajoutez des termes correspondant à des effets qui ne sont pas importants dans la population. Un modèle sur-ajusté peut ne pas être utile pour faire des prédictions sur la population. Si un modèle est sur-ajusté, vous pouvez considérer les modèles à partir d'étapes précédentes.

Le diagramme suivant montre le R² de test à titre d'exemple. Au départ, les statistiques R² sont proches de 70 %. Pour les premières étapes, les statistiques R² ont tendance à augmenter au fur et à mesure que les termes entrent dans le modèle. A l'étape 6, la statistique R² de test est d'environ 88 %. La statistique R² de test est à son maximum à l'étape 14 et a une valeur proche de 90 %. Vous pouvez examiner si l'amélioration de l'ajustement justifie la complexité supplémentaire résultant de l'ajout de nouveaux termes au modèle.

Après l'étape 14, alors que le R² continue d'augmenter, le R² de test ne fonctionne pas. La diminution du R² de test après l'étape 14 indique que le modèle est sur-ajusté.