Valeurs ajustées et prévisions pour Régression orthogonale

Interprétation

Utilisez la valeur ajustée pour le prédicteur afin d'étudier toute valeur résiduelle aberrante. Si la valeur ajustée de la variable de prédicteur est beaucoup plus élevée ou plus faible que la valeur observée, recherchez-en la cause.

Interprétation

Utilisez la valeur ajustée pour la variable de réponse afin d'étudier toute valeur résiduelle aberrante. Si la valeur ajustée de la variable de réponse est beaucoup plus élevée ou plus faible que la valeur observée, recherchez-en la cause.

Interprétation

Examinez les valeurs résiduelles pour déterminer le degré d'ajustement du modèle aux données. De manière générale, les valeurs résiduelles doivent être distribuées de manière aléatoire sans aucun schéma clair ni aucune valeur aberrante. Si une valeur résiduelle est aberrante, vous pouvez déterminer si cela est dû à la valeur de X ajustée et/ou à la valeur de Y ajustée.

Interprétation

Utilisez les valeurs résiduelles normalisées pour détecter les valeurs aberrantes. Les valeurs résiduelles normalisées supérieures à 2 et inférieures à −2 justifient généralement une étude plus poussée.

Les valeurs résiduelles normalisées sont utiles, car les valeurs résiduelles brutes ne permettent pas toujours de détecter les valeurs aberrantes. La variance de chaque valeur résiduelle brute peut être différente en fonction des valeurs X qui lui sont associées. Il est donc difficile d'évaluer les tailles des valeurs résiduelles brutes. La normalisation des valeurs résiduelles résout ce problème en transformant les différentes variances selon une échelle commune.

Interprétation

Utilisez la valeur prévue pour estimer une nouvelle valeur de réponse.

Interprétation

Utilisez l'écart type de la valeur prévue pour mesurer la précision de l'estimation d'une prévision. Plus l'écart type est petit, plus la prévision est précise. Les écarts types sont toujours positifs.