Modèle linéaire généralisé pour les nuls

Ainsi, par exemple, nous pourrions estimer (c.-à-d. prédire) le poids d`une personne en fonction de la taille et du sexe de la personne. Vous pouvez utiliser la régression linéaire pour estimer les coefficients de régression respectifs à partir d`un échantillon de données, mesurer la hauteur, le poids et observer le sexe des sujets. Pour de nombreux problèmes d`analyse de données, les estimations des relations linéaires entre les variables sont suffisantes pour décrire les données observées et pour faire des prédictions raisonnables pour les nouvelles observations (voir la rubrique régression multiple pour plus de détails). La forme structurelle du modèle décrit les schémas des interactions et des associations. Les paramètres du modèle fournissent des mesures de la force des associations. Dans les modèles, l`accent est mis sur l`estimation des paramètres du modèle. Les outils d`inférence de base (p. ex., estimation de points, tests d`hypothèses et intervalles de confiance) seront appliqués à ces paramètres. Lorsque vous discutez de modèles, nous garderons à l`esprit: les rubriques ci-dessous donnent des descriptions complètes des types de conceptions qui peuvent être analysées à l`aide du modèle linéaire généralisé, ainsi que des types de conceptions qui peuvent être analysées à l`aide du modèle linéaire général. Diagnostics dans le modèle linéaire généralisé.

Les deux types de résidus de base sont les résidus résiduels de Pearson et les résidus de déviance. Les résidus de Pearson reposent sur la différence entre les réponses observées et les valeurs prédites; les résidus de déviance sont fondés sur la contribution des réponses observées à la statistique log-vraisemblable. De plus, on peut calculer les scores de levier, les résidus de studentisées, le D généralisé de Cook et d`autres statistiques observationnelles (statistiques basées sur des observations individuelles). Pour une description et une discussion de ces statistiques, voir Hosmer et Lemeshow (1989). Cette rubrique décrit l`utilisation du modèle linéaire généralisé pour l`analyse des effets linéaires et non linéaires des variables prédictitrices continues et catégorielles sur une variable dépendante discrète ou continue. Si vous n`êtes pas familier avec les méthodes de base de régression dans les modèles linéaires, il peut être utile d`examiner d`abord les informations de base sur ces sujets dans la rubrique notions élémentaires. La discussion sur la façon dont le modèle de régression linéaire est étendu par le modèle linéaire général peut être trouvée dans la rubrique modèles linéaires généraux. Modèle log-Linear modélise les nombres de cellules attendus en fonction des niveaux de variables catégorielles, p.

ex. pour une table à deux voies le modèle saturé à l`aide du modèle surparamétré pour représenter A, la matrice X définissant le dessin entre la conception est simplement fonction de liaison. Une deuxième raison pour laquelle le modèle linéaire (régression multiple) peut être insuffisant pour décrire une relation particulière est que l`effet des prédicteurs sur la variable dépendante peut ne pas être linéaire dans la nature. Par exemple, la relation entre l`âge d`une personne et divers indicateurs de santé n`est probablement pas linéaire dans la nature: au début de l`âge adulte, l`état de santé (moyen) des personnes âgées de 30 ans par rapport à l`état de santé (moyen) des personnes qui sont 40 ans n`est pas nettement différente.