Analyse de La Régression - Comment Interpréter Le R-Carré Et Évaluer L'adéquation de L'ajustement

06/04/2021 Analyse de la régression : Comment interpréter le R-carré et évaluer l’adéquation de l’ajustement ?
Menu
Le Blog Minitab
Analyse de la régression : Comment

interpréter le R-carré et évaluer l’adéquation
de l’ajustement ?
Julie Colas | 08 November, 2020
Tweeter Partager J’aime Partage
Une fois que vous avez adapté un modèle linéaire en utilisant l’analyse de régression, l’ANOVA
ou les plans d’expériences (DOE), vous devez déterminer dans quelle mesure le modèle
s’ajuste aux données. Pour vous aider, le Logiciel statistique Minitab présente une variété de
statistiques d’adéquation d’ajustement. Dans cet article, nous allons explorer la statistique R-
carré (R² ), certaines de ses limites, et découvrir quelques surprises au passage. Par exemple,
les valeurs faibles de R-carré ne sont pas toujours mauvaises et les valeurs R-carré élevées
ne sont pas toujours bonnes !
Qu’est-ce que l’adéquation de l’ajustement pour un

modèle linéaire ?
En utilisant ce site, vous acceptez l'utilisation de cookies à des fins d'analyse et de

OK
personnalisation du contenu. Lisez notre politique
https://blog.minitab.com/fr/analyse-de-la-regression-comment-interpreter-le-r-carre-et-evaluer-ladequation-de-lajustement 1/8
Définition : Valeur résiduelle et observée - Valeur ajustée
La régression linéaire calcule une équation qui minimise la distance entre la ligne ajustée et
tous les points de données. Techniquement, la régression ordinaire des moindres carrés (OLS)
minimise la somme des résidus au carré.
En général, un modèle correspond bien aux données si les différences entre les valeurs
observées et les valeurs prévues du modèle sont faibles et non biaisées.
Avant d’examiner les mesures statistiques pour l’adéquation de l’ajustement, vous devriez
vérifier les graphiques des valeurs résiduelles. Les graphiques des valeurs résiduelles
peuvent révéler des schémas/tendances indésirables qui indiquent des résultats biaisés plus
efficacement que les nombres. Lorsque vos graphiques des valeurs résiduelles valident les
différentes hypothèses du modèle, vous pouvez faire confiance à vos résultats numériques et
vérifier les statistiques d’adéquation d’ajustement
Qu’est-ce que le R-carré ?

Le R-carré est une mesure statistique de la proximité des données à la droite de régression
ajustée. Il est également connu sous le nom de coefficient de détermination, ou le coefficient
de détermination multiple pour la régression multiple.
La définition du R-carré est assez simple; c’est le pourcentage de variation de la variable de

réponse qui est expliqué par un modèle linéaire. Ou:
R-carré = Variation expliquée / Variation totale

Le R-carré est toujours compris entre 0 et 100%: OK
0 % indique que le modèle n’explique aucune de la variabilité des données de réponse

autour de sa moyenne.
100% indique que le modèle explique toute la variabilité des données de réponse
autour de sa moyenne.
En général, plus le R-carré est élevé, meilleur est le modèle qui s’ajuste à vos données.
Cependant, il y a des conditions importantes pour cette recommandation dont je vais à la fois
parler dans cet article et mon prochain article.
Représentation graphique de R-carré

Tracer des valeurs ajustées en fonction des valeurs observées illustre graphiquement
différentes valeurs de R-carré pour les modèles de régression.


OK
Le modèle de régression à gauche représente 46,1 % de la variance, tandis que celui de droite
représente 71,7 %. Plus la variance expliquée par le modèle de régression est importante, plus
les points de données se rapprocheront de la ligne de régression ajustée. Théoriquement, si
un modèle pouvait expliquer 100% de la variance, les valeurs ajustées seraient toujours
égales aux valeurs observées et, par conséquent, tous les points de données tomberaient sur
la ligne de régression ajustée.
Prêt(e) pour une démonstration du logiciel d'analyse de données Minitab ? Ecrivez-nous

>
Principales limites du R-carré

Le R-carré ne peut déterminer si les estimations des coefficients et les prévisions sont
biaisées, c’est pourquoi vous devez évaluer les graphiques des valeurs résiduelles.
Le R-carré n’indique pas si un modèle de régression est adéquat. Vous pouvez avoir une faible
valeur R-carré pour un bon modèle, ou une valeur élevée du R-carré pour un modèle qui ne
s’ajuste pas aux données!
Le R-carré dans vos résultats est une estimation biaisée du R-carré de la population.

OK
Les valeurs faibles de R-carré sont-elles intrinsèquement

mauvaises ?
Non ! Il y a deux raisons principales pour lesquelles il peut être très bien d’avoir de faibles
valeurs R-carré.
Dans certains domaines, on s’attend à ce que vos valeurs du R-carré soient faibles. Par
exemple, tout domaine qui tente de prédire le comportement humain, comme la psychologie,
a généralement des valeurs R-carré inférieures à 50%. Les humains sont tout simplement
plus difficiles à prévoir que, disons, les processus physiques.
En outre, si votre valeur R-carré est faible mais que vous avez des prédicteurs
statistiquement significatifs, vous pouvez toujours tirer des conclusions importantes sur la
façon dont les changements dans les valeurs des prédicteurs sont associés à des
changements dans la valeur de réponse. Indépendamment du R-carré, les coefficients
significatifs représentent toujours le changement moyen dans la réponse pour une unité de
changement dans le prédicteur tout en maintenant les autres prédicteurs dans le modèle
constant. De toute évidence, ce type d’information peut être extrêmement précieux.
Un faible R-carré est plus problématique lorsque vous voulez produire des prévisions qui sont
raisonnablement précises (qui ont un assez petit intervalle de prévision). Quelle devrait être la
valeur du R-carré pour la prévision? Eh bien, cela dépend de vos besoins pour la largeur de
l’intervalle de prévision et de la quantité de variabilité présente dans vos données. Bien qu’un
R-carré élevé est nécessaire pour des prévisions précises, il n’est pas suffisant en soi, comme
nous le verrons.
Les valeurs élevées de R-carré sont-elles intrinsèquement

bonnes ?
Non! Un R-carré élevé n’indique pas nécessairement que le modèle a un bon ajustement. Cela
pourrait être une surprise, mais observez la courbe ajustée et le graphique des valeurs
résiduelles ci-dessous. La courbe ajustée montre la relation entre la mobilité des électrons
semi-conducteurs et le logarithme népérien de la densité pour de vraies données
expérimentales.

OK

OK
La courbe ajustée montre que ces données suivent une belle fonction cubique et le R-carré
est de 98,5%, ce qui semble plutôt bien. Cependant, observez de plus près pour voir comment
la courbe de régression va systématiquement sur et sous-prédire les données (biais) à
différents points le long de la courbe. Vous pouvez également voir les tendances dans les
valeurs résiduelles en fonction des valeurs ajustées, plutôt que le caractère aléatoire que vous
voulez observer. Cela indique un mauvais ajustement, et sert de rappel quant à pourquoi vous
devriez toujours vérifier les graphiques des valeurs résiduelles.
Cet exemple vient de mon article sur le choix entre régression linéaire et non linéaire. Dans ce
cas, la réponse consiste à utiliser la régression non linéaire parce que les modèles linéaires ne
sont pas en mesure de s’adapter à la courbe spécifique que ces données suivent.
Cependant, des biais similaires peuvent se produire lorsque votre modèle linéaire n’inclut pas
des prédicteurs importants, des termes polynomiaux et des termes d’interaction. Les
statisticiens appellent cela le biais de spécification, et il est causé par un modèle sous-
spécifié. Pour ce type de biais, vous pouvez corriger les résidus en ajoutant les termes
appropriés au modèle.
Pour plus d’informations sur la façon dont un R-carré élevé n’est pas toujours une bonne
chose, lisez mon article Cinq raisons pour lesquelles votre R-carré peut être trop élevé.
Réflexions finales sur le R-carré

Le R-carré est une mesure pratique, apparemment intuitive de la façon dont votre modèle
linéaire s’ajuste à un ensemble d’observations. Cependant, comme nous l’avons vu, le R-carré
ne nous raconte pas toute l’histoire. Vous devez évaluer les valeurs R-carré en conjonction
avec les valeurs résiduelles, d’autres statistiques du modèle, et la connaissance
pratique/physique du sujet afin de compléter l’histoire.
Bien que le R-carré fournit une estimation de la force de la relation entre votre modèle et la
variable de réponse, il ne fournit pas un test d’hypothèse formel pour cette relation. Le Test F
d’importance globale détermine si cette relation est statistiquement significative.
Dans mon prochain article, nous allons continuer sur le thème que le R-carré par lui-même est
incomplet et voir deux autres types de R-carré: R-carré ajusté et R-carré prévu. Ces deux
mesures permettent de surmonter des problèmes spécifiques afin de fournir des
informations supplémentaires vous permettant d’évaluer la puissance explicative de votre
modèle de régression.
Pour en savoir plus sur le R-carré, découvrez la réponse à cette question éternelle : Quelle
devrait être la valeur minimum du R-carré ?
Découvrez et essayez gratuitement la version d'essai de 30 jours du logiciel d'analyse

de données Minitab >

OK
À propos de Minitab Mentions légales Protection des données

Conditions d'utilisation Plan du site Contactez-nous Carrières et emplois
© 2021 Minitab, LLC. All Rights Reserved.
Français

OK

Analyse de La Régression - Comment Interpréter Le R-Carré Et Évaluer L'adéquation de L'ajustement

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Analyse de La Régression - Comment Interpréter Le R-Carré Et Évaluer L'adéquation de L'ajustement

Transféré par

Droits d'auteur :

Formats disponibles

06/04/2021 Analyse de la régression : Comment interpréter le R-carré et évaluer l’adéquation de l’ajustement ?

Analyse de la régression : Comment

Tweeter Partager J’aime Partage

Qu’est-ce que l’adéquation de l’ajustement pour un

En utilisant ce site, vous acceptez l'utilisation de cookies à des fins d'analyse et de

Déﬁnition : Valeur résiduelle et observée - Valeur ajustée

Qu’est-ce que le R-carré ?

La déﬁnition du R-carré est assez simple; c’est le pourcentage de variation de la variable de

R-carré = Variation expliquée / Variation totale

0 % indique que le modèle n’explique aucune de la variabilité des données de réponse

Représentation graphique de R-carré

En utilisant ce site, vous acceptez l'utilisation de cookies à des fins d'analyse et de

Prêt(e) pour une démonstration du logiciel d'analyse de données Minitab ? Ecrivez-nous

Principales limites du R-carré

En utilisant ce site, vous acceptez l'utilisation de cookies à des fins d'analyse et de

Les valeurs faibles de R-carré sont-elles intrinsèquement

Les valeurs élevées de R-carré sont-elles intrinsèquement

En utilisant ce site, vous acceptez l'utilisation de cookies à des fins d'analyse et de

En utilisant ce site, vous acceptez l'utilisation de cookies à des fins d'analyse et de

Réﬂexions ﬁnales sur le R-carré

Découvrez et essayez gratuitement la version d'essai de 30 jours du logiciel d'analyse

En utilisant ce site, vous acceptez l'utilisation de cookies à des fins d'analyse et de

À propos de Minitab Mentions légales Protection des données

© 2021 Minitab, LLC. All Rights Reserved.

En utilisant ce site, vous acceptez l'utilisation de cookies à des fins d'analyse et de

Vous aimerez peut-être aussi