Modèle de regression

La plupart des programmes de régression des moindres carrés sont conçus pour s`adapter aux modèles qui sont linéaires dans les coefficients. Lorsque l`analyste souhaite s`adapter à un modèle intrinsèquement non linéaire, une procédure numérique doit être utilisée. La procédure STATGRAPHICS des moindres carrés non linéaires utilise un algorithme en raison de Marquardt pour s`adapter à toute fonction saisie par l`utilisateur. Alors, comment utiliserais-tu ce modèle simple dans ton entreprise? Eh bien, si votre recherche vous amène à croire que le prochain changement de PIB sera un certain pourcentage, vous pouvez brancher ce pourcentage dans le modèle et générer une prévision des ventes. Cela peut vous aider à élaborer un plan et un budget plus objectifs pour l`année à venir. La régression consiste à ajuster les données à une ligne (Minitab peut également effectuer d`autres types de régression, comme la régression quadratique). Lorsque vous trouvez une régression dans Minitab, vous obtiendrez un diagramme de dispersion de vos données ainsi que la ligne de meilleur ajustement, plus Minitab vous fournira: les méthodes de régression continuent d`être un domaine de recherche active. Au cours des dernières décennies, de nouvelles méthodes ont été développées pour une régression robuste, une régression impliquant des réponses corrélées telles que des séries chronologiques et des courbes de croissance, une régression dans laquelle les variables prédictitrices (variables indépendantes) ou de réponse sont des courbes, des images, des graphiques , ou d`autres objets de données complexes, des méthodes de régression qui accueillent différents types de données manquantes, une régression non paramétrique, des méthodes bayésiennes pour la régression, une régression dans laquelle les variables prédictitrices sont mesurées avec une erreur, une régression avec plus de prédicteur variables que les observations, et l`inférence causale avec régression. La procédure de régression multiple correspond à un modèle qui rapporte une variable de réponse Y à plusieurs variables prédictitrices x1, x2,…. L`utilisateur peut inclure toutes les variables prédictifs dans l`ajustement ou demander au programme d`utiliser une régression par étapes pour sélectionner un sous-ensemble contenant uniquement des prédicteurs significatifs. Dans le même temps, la méthode de Box-Cox peut être utilisée pour faire face à la non-normalité et à la procédure Cochrane-Orcutt pour traiter les résidus autocorrélés. L`analyse de régression est une méthode fiable pour identifier les variables qui ont un impact sur un sujet d`intérêt.

Le processus d`exécution d`une régression vous permet de déterminer en toute confiance quels facteurs comptent le plus, quels facteurs peuvent être ignorés et comment ces facteurs influencent les uns les autres. Nous pouvons évaluer la performance du modèle à l`aide de la métrique R-carré. Pour en savoir plus sur ces métriques, vous pouvez lire: mesures de performance du modèle partie 1, partie 2. La performance des méthodes d`analyse de régression en pratique dépend de la forme du processus de génération de données et de la façon dont elle se rapporte à l`approche de régression utilisée. Étant donné que la véritable forme du processus générateur de données n`est généralement pas connue, l`analyse de régression dépend souvent dans une certaine mesure de formuler des hypothèses sur ce processus. Ces hypothèses sont parfois testables si une quantité suffisante de données est disponible. Les modèles de régression pour la prédiction sont souvent utiles même lorsque les hypothèses sont modérément violées, même si elles peuvent ne pas fonctionner de manière optimale.