Pour ajouter la sortie d’une analyse de régression, accédez à Ajouter et remplir un formulaire.
Par exemple, un analyste travaillant dans un magasin de vente au détail souhaite prévoir les volumes des ventes. Ces prédicteurs prennent en compte la fréquentation, la population, le revenu moyen et les concurrents directs à proximité du magasin. L'analyste utilise la régression sur les meilleurs sous-ensembles pour déterminer l'ensemble de prédicteurs qui offre la meilleure prévision du volume des ventes. Pour voir un exemple, consultez l'aide Minitab : Exemple de régression sur les meilleurs sous-ensembles.
Vos données doivent être une valeur continue pour Y et des valeurs numériques pour les X. Vous pouvez convertir des X catégoriques en variables indicatrices. Pour plus de détails, consultez l’aide Minitab : Considérations relatives aux données pour la régression sur les meilleurs sous-ensembles.
Vous pouvez ajuster un modèle linéaire, quadratique ou cubique aux données. Une droite d'ajustement indique un nuage de points de données avec une droite de régression représentant l'équation de régression.
Par exemple, un ingénieur au sein d'un site de fabrication souhaite examiner la relation entre la consommation d'énergie et la mise en place d'une machine utilisée dans le processus de fabrication. L'ingénieur pense que la relation entre les variables est curviligne. Par conséquent, l'ingénieur crée une droite d'ajustement et ajuste un modèle quadratique aux données. Pour voir un exemple, consultez l'aide Minitab : Exemple de droite d'ajustement.
Vos données doivent être une valeur continue pour Y et une valeur continue ou discrète pour X (avec plusieurs niveaux). Pour plus de détails, consultez l’aide Minitab : Considérations relatives aux données pour la droite d'ajustement.
Si le nombre des prédicteurs est important, avant d'ajuster un modèle de régression avec tous les prédicteurs, vous devez utiliser la régression pas à pas ou celle sur les meilleurs sous-ensembles pour sélectionner le modèle en éliminant les prédicteurs non associés aux réponses.
Par exemple, un chimiste cherche à comprendre la façon dont plusieurs prédicteurs sont associés à la résistance au froissement d'un tissu en coton. Le chimiste effectue une analyse de régression multiple pour ajuster un modèle avec les prédicteurs et éliminer les prédicteurs n'ayant aucune relation statistiquement significative avec la réponse. Pour voir un exemple, consultez l'aide Minitab : Exemple d'ajustement d'un modèle de régression.
Vos données doivent être une valeur continue pour Y et des valeurs numériques pour les X. Vous pouvez convertir des X catégoriques en variables indicatrices. Pour plus de détails, consultez l’aide Minitab : Considérations relatives au données pour l'ajustement d'un modèle de régression.
La régression simple vous permet de prédire la valeur de la sortie Y pour n’importe quelle valeur de l’entrée X. Pour voir un exemple, accédez à l’aide Minitab : Exemple d'ajustement d'un modèle de régression.
Vos données doivent être une valeur continue pour Y et une valeur numérique pour X. Pour plus de détails, consultez l’aide Minitab : Considérations relatives au données pour l'ajustement d'un modèle de régression.
La régression pas à pas est un outil automatisé qui permet, dans les phases exploratoires de l'élaboration d'un modèle, d'identifier un sous-ensemble utile de prédicteurs. A chaque étape, le procédé ajoute la variable la plus significative ou supprime la variable la moins significative. Il vous permet également de prédire la valeur de la sortie (Y) pour n’importe quelle combinaison de valeurs des entrées (X). Pour plus d'informations, reportez-vous à l'aide Minitab : Réalisation d'une régression pas à pas pour la fonction Ajuster un modèle de régression.
Vos données doivent être une valeur continue pour Y et des valeurs numériques pour les X. Vous pouvez convertir des X catégoriques en variables indicatrices. Pour plus de détails, consultez l’aide Minitab : Considérations relatives au données pour l'ajustement d'un modèle de régression.