Résidus studentisés en fonction des valeurs prédites

Dans le cadre d'une analyse de la variance, j'ai tracé le graphique des résidus studentisés en fonction des valeurs prédites pour vérifier la validité du modèle. Or j'observe une forme un peu particulière.

Résidus studentisés
^
| .....................................x x x
| ..................................x x x
| ...............................x x x
| .............................x x x
|---------------------x-x-x------------------------> valeurs prédites
| .......................x x x
| ....................x x x
| .................x x x
| ..............x x x

En gros les plus petites valeurs prédites ont un résidu négatif, et les plus grandes, un résidu positif (j'aurais préféré mettre un vrai graphique mais ça ne marche pas chez moi). Est-ce que quelqu'un a une idée de ce que cela signifie ou à quoi cela est dû ?
Merci !

Je ne sais pas si j'ai bien compris le graph mais :

Est ce que ce ne serait pas le cas typique où une variable explicative a été omise ?
En gros, ça a l'air de former quelque chose de bien défini alors que ce graphique devrait normalement être un peu chaotique : des négatifs par ci, des positifs par là....

On dirait qu'il reste de l'information exploitable dans ces résidus. Tu peux ajouter une variable à ton modèle ?

Après ça peut être d'autres phénomènes qui peuvent être résolus par des changements de variable....

Oui moi aussi je me disais qu'il devait rester de l'information dans les résidus. Mais j'ai mis toutes les variables explicatives en ma possession. Et je ne suis pas sure qu'un changement de variable corrige cela...

Bonjour,


cela peux aussi venir d'un problème de colinéarité entre tes variables je crois.

En tous cas si tu veux tester d'ou viens ton probleme avc tes variables tu traces tes residus selon chaque variable explicative et tu regarde tes graph.il ne doit pas ya voir de forme spécifique. Cela te permettra de detecter qu'elle variable déconne.Le test prédiction vs residu voilant les déviance spécifiques ente valeurs observée et valeurs prédites

PAr contre ne pratique je ne l'ai jamais fait,dsl


tiusss

Merci pour cette piste. Mais quand je trace mes résidus en fonction des variables explicatives, je n'ai pas de forme particulière...

Et qu'entends-tu par colinéarité entre mes variables ? Tu veux dire que mes variables explicatives seraient reliées de la manière suivante :
Facteur1 = cste * Facteur2 ???
Dans mon cas, je ne crois pas.

Je vais chercher du côté des transformations, mais je trouve quand même ça curieux...

Gaussienne a écrit:Merci pour cette piste. Mais quand je trace mes résidus en fonction des variables explicatives, je n'ai pas de forme particulière...

tant mieux c'est ce que l'on veux qu il n y ai pas de forme sur les nuages! Mais vu la forme de ton graph c'est etrange tout de meme

Gaussienne a écrit:
Et qu'entends-tu par colinéarité entre mes variables ? Tu veux dire que mes variables explicatives seraient reliées de la manière suivante :
Facteur1 = cste * Facteur2 ???
Dans mon cas, je ne crois pas.

vi c'est ca. Mais si tu n'as rien détecté dans tes nuages précédent tu ne dois pas avoir ce problème. Apres je crois qu'il existe des test pr la colinéarité mais je ne me souviens plus trop ça date tout cela

Gaussienne a écrit:
Je vais chercher du côté des transformations, mais je trouve quand même ça curieux...

effectivement si tu n'as rien détecté en regardant les nuages par variables je doute qu'une transformation résolve ton problème. M
Après aucun modèle n'est parfait.
Comme tu l'a dis précédement il se peux que cela vienne du fait que tu n'as pas assez de variables pour expliquer ton phénomène. Apres ca arrive le tout est de le detecter et de discuter tout cela, notament en proposant des variables qui n'ont pas été relevées, en essayant de proposer des next step pour ameliorer ton modèle....next step qeu tu ne peux faire du fait des données que tu as à disposition


A ++

Sous SAS, pour vérifier la collinéarité des régresseurs il existe une option dans la proc reg qui s'appelle collin, syntaxe

proc reg data = ... ;
model Y = X/collin;run;quit;
X = x1, x2, .....

"cette option nous donne une sortie avec des rapports de valeurs propres de la matrice X'X ; ainsi que les r² des modèles entre chaque xi, par exemple x1 = x2 ; x2 = x3; si le rapport de la plus grande valeur propre avec la plus petite excède la valeur 100 et que deux variables contribuent pour plus de 50% dans l'explication de la variable qui a la plus petite valeur propre alors il y a une collinéarité."

Je viens de retranscrire de tête ce que nous dit l'aide de SAS, donc je conseille si tu travailles sous SAS d'aller voir plus précisemment mais dans l'idée c'est quand même un peu à la louche, il n'y a pas de tests.

voilà j'ai pas l'impression d'avoir été très clair mais bon si vous avez des questions n'hésitez pas

à plus
jb