- elle permet de pouvoir " écarter " un problème de structure des variables explicatives, à savoir la non orthogonalité de celles-ci
- elle permet à l'utilisateur de sélectionner un sous-ensemble de variables explicatives en fonction de la stabilité de leur coefficient afin de créer un modèle de bonne qualité
- Le principe de la méthode de régression
orthogonalisée est, dans un premier temps, de
transformer les variables explicatives en
composantes principales, c'est-à-dire en
variables orthogonales deux à deux, et ensuite
d'effectuer une régression sur ces nouvelles
variables. Modalisa ne permettant pas de pouvoir
interpréter ces composantes, il est alors
nécessaire de revenir aux variables initiales
(cliquer " Z vers X "), tout en sachant
qu'une modification d'échelle aura été
effectuée : les nouveaux coefficients de
régression seront les coefficients des variables
initiales réduites.
L'intérêt d'utiliser la méthode de régression orthogonalisée est donc de pouvoir sélectionner un certain nombre de variables qui constitueront un nouveau modèle, de bonne qualité de part la stabilité de ses coefficients.
Il est nécessaire, dans le cadre de la régression othogonalisée, d'analyser le tableau présentant l' évolution des valeurs des " Coefficients en fonction du nombre de composantes " et le graphique correspondant (Graphe/Orthogo) afin de pouvoir sélectionner les variables stables du modèle.
Copie d'écran Modalisa 2- 4 voir
améliorations sur versions plus récentes - Editeur
Kynos sarl