prédites selon observées

Je sais que ca doit etre une question vraiment bete mais bon...
J'ai fait un modèle statistique que j'ai utilisé de facon prédictive sur un jeu de données. Ensuite je voulais représenter les valeurs prédites par mon modèle selon les valeurs observées. Mais selon si je mets les valeurs prédites en abscisse ou en ordonnée, je ne trouve pas du tout le meme resultat (pas la meme pente de droite). C'est normal ? J'ai l'impression de mettre trompée quelque part !

En gros, ma question est la suivante : que met-on en abscisse, les prédites, les observées (ou c'est pareil) ?

je comprends pas du tout ce que tu veux faire en tracant un graphique prédites*observées

les prédites en abscisses et les observées en ordonnées. En général on cherche a représenté les observations en fonction des prédictions.

merci beaucoup.
Flipo, ben je fais ca pour voir la qualité du modèle. SI mes points prédits*observés sont alignés sur la première bisectrice, c que le modèle marche bien...
Mais quand meme, c'est bizarre...Si je mets les prédites en abscisse, ca me fait une pente de 1. Si je les mets en ordonnée, j'ai une pente de 0,4. En cours de stat, la prof nous faisait mettre les predites en ordonnée puis regarder la pente pr juger du modèle.

ça me semble un peu bizarre ça, à moins que justement tu observe plutôt une courbe qu'une droite, c'est à dire que ton modèle n'est pas bon
comment tu calcul ta pente ?

ben... avec une régression linéaire toute simple
j'ai l'impression de ne plus rien comprendre à mes modèles...

je sais pas trop si y'a une raison, mais je crois pas que ce soit la peine de se prendre la tête la dessus, l'important c'est si le graphique ressemble à une droite !!

ça n'a rien de bizarre et c'est un graphique qui permet de voir si les prédictions ne sont pas trop éloignés de la réalité. Ça permet effectivement de voir si l'ajustement de ton modèle est + ou - bon.

Il est normal que la pente ne soit pas la même quand tu changes quelle variable explique l'autre.

Après a toi de voir s'il faut suivre ton prof ou non ... Mais dans un modèle tu fais bien tes observations en fonction des variables explicatives, et tu représentes bien tes observations sur l'axe des ordonnées non ? et tu ne vas pas chercher a savoir si tes observations expliquent bien tes prédictions ?

micros

micros corpus a écrit:
Il est normal que la pente ne soit pas la même quand tu changes quelle variable explique l'autre.

je suis d'accord, mais mathématiquement le coéf est l'inverse de l'autre.
donc si la pente est de 1 ... ça devrait l'être dans les deux sens.

mais bon, la c'est un autre débat !

mathématiquement le coeff n'est pas l'inverse de l'autre un exemple :
> x <- rnorm(100)
> y <- 3*x+2+rnorm(100)
> lm1 <- lm(y~x)
> lm1

Call:
lm(formula = y ~ x)

Coefficients:
(Intercept) x
1.912 2.967

> lm2 <- lm(x~y)
> lm2

Call:
lm(formula = x ~ y)

Coefficients:
(Intercept) y
-0.5680 0.2993

micros

En tout cas moi, les predites en ordonnée, je trouvais ca plus logique,.. mais bon avec une pente de 0,4 c'est pas terrible alors je vais peut etre prendre dans l'autre sens.

Je comprends bien que qd on échange les variables on a pas la meme pente, mais c'est vrai que l'un des 2 cas ait une pente de 1 et pas l'autre, j'arrive pas trop à comprendre

ça vient de la variabilité de tes données. La variance des observations est plus grande que la variance des prédictions, ce qui est logique vu la construction du modèle.
Pour y ~ x, la pente est covariance(x,y)/variance(x).
Il est donc logique que la pente soit plus faible quand tu fais la régression des données prédites en fonction des données observées.

Pour moi il est logique de représenter les données observées en fonction des observations puisque ton modèle de régression s'écrit :
Y = Ŷ + e.
C'est donc bien les observations qui sont fonction des prédictions.

micros

ok t'as raison, j'y vois plus clair.

Merci !