indicateur adéquation modèles non linéaires

Bonjour,

Existe-t-il un indicateur d'adéquation pour des modèles non linéaires? (similaire au R², R² ajusté pour les régressions linéaires...)?

Sinon comment juger de la pertinence de la régression : significativité des régresseurs? tracer Yi en fonction des prédictions? analyser les erreurs?

Merci

Salut,

Non pas d'équivalent au R². C'est pas que tu ne peux pas le calculer c'est "juste" que les propriétés du R² qui sont si pratiques pour son interprétation (additivité, borné dans [0,1]...) ne sont plus valables pour un nls.

significativité des régresseurs?

Non cela ne relève pas de l'adéquation du modèle. Tous les régresseurs d'un modèle peuvent être significatifs sans que pour autant le modèle ajuste correctement les données.

tracer Yi en fonction des prédictions?

Jouable s'il n'y a pas d'hétéroscédasticité dans les observations/prédictions. Par exemple c'est inapplicable pour un modèle mixte.

Sinon il te reste AIC and co mais c'est du relatif. Ce n'est donc pas de l'adéquation absolue d'un modèle.

Il n'y a effectivement pas grand chose sur la question. Le mieux étant de pouvoir linéariser via une fonction de lien et tomber dans le champs des glm .

Nik

Ok, merci pour ta réponse!

Nik a écrit:Salut,

significativité des régresseurs?
Non cela ne relève pas de l'adéquation du modèle. Tous les régresseurs d'un modèle peuvent être significatifs sans que pour autant le modèle ajuste correctement les données.

je voulais dire par là que si aucun régresseur n'est significatif, je suppose qu'il y a peu de chance pour que la régression soit bien ajustée aux données? je pensais à une condition nécessaire (et non suffisante).

Effectivement, si aucun coefficient n'est différent de 0 alors il y a sans doute peu de chance que les données soient bien ajustées . Mais bon tu ne peux pas vraiment t'en servir dans un argumentaire pour justifier un modèle.