Régression linéaireSalut,
Je cherche le terme correct pour ce que j'utilise pour analyser mes données, à ma connaissance, ce n'est ni une régression linéaire multiple ni multivariée:
Je veux un ajustement linéaire global pour plusieurs spécimens mesurés. J'ai donc mesuré x et y pour 5 échantillons, chacun donnant y=mx+n. J'effectue une régression linéaire de tous ces 5 échantillons à la fois, ce qui donne un m et un n pour les 5. Quel est le nom pour cela ?Dans JMP, j'utilise "modèle d'ajustement" avec la variable de rôle y, l'effet de modèle x, puis croise avec le numéro de spécimen.
Merci, je n'ai pas trouvé cela dans ma recherche jusqu'à présent !
Re : Régression linéaireJ'arrive en retard mais j'ai découvert que le test de parallélisme dans les ajustements non linéaires donne également une pente commune comme vous le souhaitez.
Dans l'onglet du menu Analyser, sélectionnez Modélisation spécialisée et sélectionnez Non linéaire. Regroupez vos données (dans votre cas, par puces) dans la boîte de dialogue et exécutez le modèle. Dans la fenêtre Fit, sélectionnez Polynomials (Linear fit) sous l'onglet Fit Curve (triangle rouge). Cela donne par défaut des pentes et des interceptions indépendantes pour tous les groupes. Pour partager la pente, sélectionnez Tester le parallélisme dans l'onglet Ajustement linéaire (triangle rouge). Un nouvel onglet s'ouvre avec les estimations des paramètres d'ajustement parallèles où vous trouverez la pente partagée et les interceptions individuelles. J'espère que ça aide.
Re : Régression linéaireMerci beaucoup d'avoir éclairci ça !Re : Régression linéaireNon. UN régression linéaire simple serait le résultat si vous adaptiez une ligne aux données séparément pour chaque niveau de puce. Vous pouvez facilement le faire dans Bivarié si vous placez Puce dans le rôle d'analyse Par ou si vous utilisez la commande de menu Grouper par dans Bivarié. Les résultats SLR, cependant, sont indépendants. L'interception et la pente ne sont pas liées à travers les puces. Vous voulez contraindre la pente de tous les jetons à être la même, vous utilisez donc un régression multiple modèle dans lequel vous pouvez ajouter des termes pour représenter la façon dont vous pensez que la réponse est liée aux variables prédictives.
Re : Régression linéaireMerci! Oui, le terme croisé n'était pas ce que je cherchais. Donc, en ajoutant simplement la puce comme effet de modèle, l'évaluation serait toujours considérée comme une simple régression linéaire ?
Re : Régression linéaireIl n'y a que 4 coefficients pour les 5 effets croisés car il faut en omettre un (car il est déterminé par les 4 autres).Si vous voulez voir les 5 coefficients, cliquez sur la flèche rouge et obtenez les estimations étendues pour voir les 5 niveaux.De plus, si vous pensez qu'il existe une pente commune (comme le suggère le graphique), je n'inclurais pas le terme croisé.Incluez simplement la variable de puce et vous obtiendrez les interceptions estimées pour chaque puce et une seule estimation de pente commune.
Re : Régression linéaireSalut,
Merci pour votre réponse! Ci-joint un exemple de rapport. Je ne suis pas sûr que la commande Fit model fasse réellement ce que j'espère :
Il y a 5 puces différentes avec des dépendances linéaires, elles doivent avoir la même pente mais des interceptions différentes. J'aimerais obtenir une seule pente qui convient le mieux aux 5 puces. Je pense que c'est ce qui est donné comme estimation de la température (la variable indépendante) ? Je ne sais pas ce que représentent les estimations pour chaque puce et pourquoi il n'y en a que 4 au lieu de 5.
Re : Régression linéaireJe suppose que par " plusieurs spécimens mesurés " vous avez 5 observations de (x,y). Vous utilisez une régression linéaire simple pour ajuster le modèle de tendance linéaire, y = mx + n. Vous ajustez un tel modèle avec Bivariate (via la commande Fit Y by X) ou Fit Least Squares (via la commande Fit Model).
