Tableau d'inadéquation de l'ajustement pour Régression non linéaire

Obtenez des définitions et bénéficiez de conseils en matière d'interprétation pour chaque statistique fournie dans le tableau d'inadéquation de l'ajustement. Minitab affiche automatiquement le tableau d'inadéquation de l'ajustement lorsque vos données contiennent des répliques. Ces dernières correspondent à plusieurs observations ayant des valeurs de prédicteurs identiques. Si vos données ne contiennent pas de répliques, il est impossible de calculer l'erreur pure nécessaire pour effectuer ce test.

Sur ce thème

DL
Somme des carrés
CM
F
Valeur de p - Inadéquation de l'ajustement

DL

Le nombre total de degrés de liberté (DL) représente la quantité d'informations dans vos données. L'analyse utilise ces informations pour estimer les valeurs des paramètres de population inconnus. Le nombre total de DL est déterminé par le nombre d'observations dans votre échantillon. Le fait d'accroître l'effectif de l'échantillon permet d'obtenir davantage d'informations sur la population, ce qui augmente le nombre total de DL.

Le DL pour chaque source d'erreur indique la quantité d'informations utilisées par le terme. Les degrés de liberté pour le test d'inadéquation de l'ajustement correspondent aux degrés de liberté pour l'erreur, moins les degrés de liberté pour l'erreur pure.

Somme des carrés

Les différentes sommes des carrés (SC) pour l'erreur mesurent la variance attribuable à l'erreur totale, à l'erreur d'inadéquation de l'ajustement et à l'erreur pure. La somme des carrés utilisée par Minitab pour le test d'inadéquation de l'ajustement correspond à la somme totale des carrés pour l'erreur, moins la somme des carrés pour l'erreur pure.

Interprétation

Minitab utilise les sommes des carrés afin de calculer la valeur de p pour le test d'inadéquation de l'ajustement. En général, vous interprétez la valeur de p plutôt que les sommes des carrés.

CM

Les différents carrés moyens (CM) pour l'erreur mesurent le degré de variation attribuable à l'erreur totale, à l'erreur d'inadéquation de l'ajustement et à l'erreur pure. Les carrés moyens sont égaux aux sommes des carrés, divisées par leurs degrés de liberté.

Le carré moyen de l'erreur (CME) est la variance autour des valeurs ajustées. CME = SCE finale / DLE.

Interprétation

Minitab utilise les carrés moyens afin de calculer la valeur de p pour le test d'inadéquation de l'ajustement. En général, vous interprétez la valeur de p plutôt que les carrés moyens.

F

Une valeur F apparaît pour le terme d'inadéquation de l'ajustement dans le tableau de test d'inadéquation de l'ajustement. La valeur F est une statistique de test utilisée pour déterminer s'il manque au modèle des termes d'ordre supérieur comprenant les prédicteurs du modèle en cours.

Interprétation

Minitab utilise la valeur F pour calculer la valeur de p, qui vous permet de déterminer si des termes sont significatifs et de choisir le modèle approprié. La valeur de p est la probabilité qui mesure le degré de certitude avec lequel il est possible d'invalider l'hypothèse nulle. Des probabilités faibles permettent d'invalider l'hypothèse nulle avec plus de certitude.

Une valeur F suffisamment élevée indique que l'inadéquation de l'ajustement est significative.

Valeur de p - Inadéquation de l'ajustement

La valeur de p est la probabilité qui mesure le degré de certitude avec lequel il est possible d'invalider l'hypothèse nulle. Des probabilités faibles permettent d'invalider l'hypothèse nulle avec plus de certitude. Minitab effectue automatiquement le test d'inadéquation de l'ajustement avec erreur pure lorsque vos données contiennent des répliques, à savoir des observations ayant des valeurs de x identiques. Les répliques constituent une "erreur pure", car seule la variation aléatoire peut entraîner des différences entre des valeurs de réponse observées.

Interprétation

Pour déterminer si le modèle rend correctement compte de la relation entre la réponse et les prédicteurs, comparez la valeur de p du test d'inadéquation de l'ajustement à votre seuil de signification pour évaluer l'hypothèse nulle. L'hypothèse nulle pour le test d'inadéquation de l'ajustement est que le modèle rend correctement compte de la relation entre la réponse et les prédicteurs. En général, un seuil de signification (noté alpha ou α) de 0,05 fonctionne bien. Un seuil de signification de 0,05 indique 5 % de risque de conclure à tort que le modèle ne rend pas correctement compte de la relation entre la réponse et les prédicteurs.

Valeur de p ≤ α : l'inadéquation de l'ajustement est statistiquement significative.: Si la valeur de p est inférieure ou égale au seuil de signification, vous pouvez en conclure que le modèle ne rend pas correctement compte de la relation. Pour améliorer le modèle, vous devez peut-être ajouter des termes ou transformer vos données.
Valeur de p > α : l'inadéquation de l'ajustement n'est pas statistiquement significative.: Si la valeur de p est supérieure au seuil de signification, le test ne détecte aucune inadéquation de l'ajustement.