Quand la régression pas à pas est-elle appropriée ? La régression pas à pas est une analyse appropriée lorsque vous disposez de nombreuses variables et que vous souhaitez identifier un sous-ensemble utile de prédicteurs Dans Minitab, la procédure de régression pas à pas standard ajoute et supprime les prédicteurs un par un heure.
Pourquoi ne pas utiliser la régression pas à pas ?
Les principaux inconvénients de la régression multiple pas à pas incluent biais dans l'estimation des paramètres, des incohérences entre les algorithmes de sélection de modèles, un problème inhérent (mais souvent négligé) des tests d'hypothèses multiples et une approche inappropriée se concentrer ou se fier à un seul meilleur modèle.
Quel est le but de la régression pas à pas ?
Types de régression pas à pas
L'objectif sous-jacent de la régression pas à pas est, à travers une série de tests (par exemple, des tests F, des tests t) de trouver un ensemble de variables indépendantes qui influencent significativement la variable dépendante.
Dois-je utiliser la régression pas à pas vers l'avant ou vers l'arrière ?
La méthode arrière est généralement la méthode préférée, car la méthode avant produit des effets dits de suppression. Ces effets suppresseurs se produisent lorsque les prédicteurs ne sont significatifs que lorsqu'un autre prédicteur est maintenu constant.
Dans quelle application spécifique la régression pas à pas est-elle utilisée aujourd'hui ?
Les procédures de régression pas à pas sont utilisées dans l'exploration de données, mais sont controversées. Plusieurs points de critique ont été formulés. Les tests eux-mêmes sont biaisés, car ils sont basés sur les mêmes données.
