Apprenez-en plus dans notre cours en ligne gratuit :
Pensée statistique pour la résolution de problèmes industriels
Dans cet exemple, nous utilisons les données de nettoyage et ajustons un modèle de régression linéaire multiple pour Suppression avec trois prédicteurs, OD , IDENTIFIANT , et Lester .
Rappelez-vous que lorsque nous ajustons un modèle linéaire avec une réponse et un prédicteur, nous utilisons soit le Graph Builder, soit la plateforme Fit Y by X. Graph Builder est davantage utilisé à des fins exploratoires, tandis que Fit Y by X fournit des options d'analyse plus complètes et plus formelles.
Pour ajuster un modèle avec plus d'un prédicteur à la fois, nous utilisons Ajuster le modèle dans le menu Analyser.
Nous sélectionnerons Suppression comme variable Y.
Ensuite, nous sélectionnerons OD , IDENTIFIANT , et Lester , et cliquez Ajouter pour ajouter les termes en tant qu'effets de modèle.
La personnalité par défaut, ou type d'analyse, est la méthode des moindres carrés standard. JMP utilisera la méthode des moindres carrés pour ajuster le modèle de régression.
Notez que Fit Model est une plateforme de modélisation très flexible, avec de nombreuses options d'analyse différentes. Celles-ci incluent la régression pas à pas et logistique, dont nous parlerons plus loin dans ce module, et la régression généralisée, que nous présenterons dans le module Modélisation prédictive.
Vous pouvez utiliser l'option Emphasis pour spécifier le type de sortie fourni par JMP lors de l'exécution du modèle. L'emphase par défaut pour les modèles de régression avec trois prédicteurs est Effet de levier.
Nous sélectionnons Courir pour ajuster le modèle de régression.
Le graphique Réel par Prévision fournit un résumé de notre analyse. Il s'agit d'un graphique de nos valeurs de réponse réelles par rapport aux valeurs prédites par notre modèle.
La ligne horizontale est la moyenne globale et la ligne diagonale est notre moyenne prédite. Les bandes sont des bandes de confiance pour la moyenne prédite.
Les coefficients de notre modèle sont rapportés dans le tableau Estimations des paramètres.
N'oubliez pas que JMP propose de nombreuses options sous le triangle rouge supérieur. Nous sélectionnerons Afficher l'expression de prédiction dans le menu Estimations. Cela affiche l'équation de notre modèle de régression ajusté, ce qui facilite la compréhension des coefficients du modèle.
Examinons les statistiques d'ajustement du modèle que nous avons présentées dans la vidéo précédente. L'erreur quadratique moyenne, RSquare et RSquare ajusté sont signalés dans le tableau Résumé de l'ajustement.
Rappelons que notre modèle initial, avec seulement OD , avait une erreur quadratique moyenne de 1,12 et un RSquare de 0,84. Les statistiques d'ajustement pour notre modèle de régression linéaire multiple avec OD , JE RÉ, et Largeur sont presque identiques.
Ainsi, le modèle avec les trois prédicteurs n'explique aucune variation supplémentaire dans Suppression que notre modèle simple avec juste OD .
