Analyse de régression multiple

Quand utiliser l’analyse de régression multiple

Le but de l’analyse de régression multiple est d’évaluer les effets de deux variables indépendantes ou plus sur une seule variable dépendante.

La régression aboutit à une équation permettant de prédire les performances en fonction de chacune des entrées.

Exemple d’analyse de régression multiple

Disons que nous voulons savoir si la perception par les clients de la qualité du shampooing (variable dépendante) varie en fonction de divers aspects de la géographie et des caractéristiques du shampooing : Mousse, Parfum, Couleur ou Résidu (variables indépendantes).

Pour effectuer une analyse de régression multiple à l’aide des macros QI pour Excel

1. Sélectionnez deux à seize colonnes de données avec la variable dépendante dans la première (ou la dernière) colonne :



Ces données types se trouvent dans QI Macros Test Data > Matrix Plot.xlsx > Données sur les shampooings

2. QI Macros vous demandera dans quelle colonne se trouve la variable dépendante (valeur Y). Dans cet exemple, elle se trouve dans la première colonne :



3. QI Macros effectuera les calculs et vous affichera les résultats :

Evaluez la valeur du carré R (0.800)

Analyse : Si R Square est supérieur ou égal à 0,80, comme c’est le cas ici, il y a un bon ajustement aux données.

Evaluer la valeur p

L’hypothèse nulle est qu’il n’y a pas de corrélation. (H0 = pas de corrélation.) En regardant les valeurs p pour chaque variable indépendante, Région, Mousse et Résidu sont inférieures à alpha (0,05), donc nous rejetons l’hypothèse nulle et pouvons dire que ces variables ont un impact sur la qualité. Les valeurs p de l’odeur et de la couleur sont supérieures à 0,05, nous ne pouvons donc pas rejeter l’hypothèse nulle selon laquelle il n’y a pas de corrélation et nous ne pouvons pas dire qu’elles ont un impact direct sur la qualité.

Utiliser l’équation pour la prédiction et l’estimation

En utilisant l’équation ci-dessous, vous pourriez prédire la perception de la qualité du shampooing en fonction des variables indépendantes. Encore une fois, la région, la mousse et les résidus semblent avoir le plus grand impact sur la perception de la qualité.

y = 90,192 -3,859*Région +1,817*Mousse +1,035*Sente +0,233*Couleur -4.001*Résidu

Sortie des résidus, sortie des probabilités et graphiques

En plus de la sortie de résumé ci-dessus, QI Macros calcule également les résidus et les données de probabilité et dessine plusieurs graphiques pour vous.

Veuillez noter que les lignes droites de votre premier graphique (Région) représentent les intervalles de prédiction supérieur et inférieur, tandis que les lignes plus courbes sont les intervalles de confiance supérieur et inférieur

Les intervalles de confiance donnent un aperçu de l’incertitude lors de l’estimation de la moyenne, tandis que les intervalles de prédiction tiennent compte de la variation des valeurs Y autour de la moyenne.

Les niveaux de confiance de 95% et 99% font référence lorsque votre valeur alpha est fixée à 0,05 (95%) ou 0,01 (99%). Cela vous permet de savoir comment le niveau de confiance peut avoir un impact sur vos résultats, en fonction de l’endroit où l’alpha est fixé.

Pourquoi choisir le logiciel statistique QI Macros pour Excel ?

.