229235_fr-FR

liliconcom

Qualité de l'ajustement

Chers utilisateurs JMP,

J'ai une question concernant l'utilisation de la valeur P pour vérifier si un ensemble de données correspond à une distribution.

Pour certaines distributions (norme, log-normale...) dans JMP, est-il possible de vérifier la valeur de p avec la "qualité d'ajustement". P-value<0.05 les données ne correspondent pas à la distribution sélectionnée, si p-value>0.05 les données correspondent à la distribution sélectionnée.

J'ai essayé d'utiliser cette fonction avec le "Mélange Normal 2"... mais il n'est pas possible d'appliquer la "Bonne qualité d'ajustement" du menu JMP.

Certains d'entre vous ont une explication à cela ?

Merci d'avance pour vos commentaires.

Cordialement,

Simone

Re : Qualité de l'ajustement

Merci Marc.

Explication claire.

Avez-vous une bonne journée.

Cordialement,

Simone

Re : Qualité de l'ajustement

La valeur de p est calculée à partir de la distribution d'échantillonnage de la statistique de test pour le modèle sous l'hypothèse nulle. Par exemple, il existe plusieurs statistiques de test pour la qualité de l'ajustement à un modèle de distribution normale. La statistique Shapiro-Wilk W ou la statistique Anderson-Darling A2. La statistique de test n'est pas disponible pour tous les modèles.

Re : Qualité de l'ajustement

Cher Mark,

merci pour le retour et les précisions.

Je l'utiliserai comme ligne directrice dans cette analyse de distribution.

Pour ma compréhension : la valeur p est un calcul mathématique... alors pourquoi certaines distributions peuvent "générer" la valeur p et d'autres ne peuvent pas générer ce calcul de valeur p ?

 

Merci encore pour vos commentaires.

Cordialement,

Simone

Re : Qualité de l'ajustement

De nombreux modèles de distribution ont un test d'hypothèse pour la qualité de l'ajustement. Le test d'hypothèse est basé sur l'hypothèse nulle (c'est-à-dire celle qui est supposée être vraie) selon laquelle l'échantillon de données observé provient en fait d'une population avec une telle distribution. L'alternative est que la population n'a pas une telle distribution. Une ou plusieurs statistiques ont été développées pour certaines distributions afin de représenter l'hypothèse nulle. La distribution d'échantillonnage de ces statistiques est utilisée pour calculer une valeur de p. Certaines statistiques couvrent mieux la valeur p que d'autres. Cependant, toutes les distributions n'ont pas de statistiques. De plus, un modèle de mélange pour une distribution n'a pas de statistique pour tester l'hypothèse nulle.

 

(Lorsqu'un tel test est disponible, je vous déconseille de toujours utiliser alpha = 0,05 pour chaque décision concernant la signification.)

 

Dans votre cas, je vous suggère d'utiliser un critère d'information au lieu d'un exemple de statistique. AICc ou BIC peuvent être utilisés à cette fin. Le meilleur modèle sur le seul critère est celui avec le valeur minimale du critère . C'est pas un test quand même. Il n'y a pas de valeur p. Il n'y a pas de décision telle que « significative » ou « non significative ». Il n'y a qu'une sélection d'un modèle parmi les autres modèles candidats.