Comment est-ce possible?

[invitef6c0a804]

Bonjour à tous,

Je suis en pleine rédaction de mon mémoire et ça coince.
Je vous explique. J'ai passé un test à des patients, avec plusieurs sous score en fonction des épreuves.

J'ai un certain nombre de facteurs cliniques, mais seuls deux sont corrélés à certains subtest.

Ce que je recherche donc, c'est une régression linéiaire.
Supposons que j'ai 6 subtests et deux facteurs cliniques (âge et poids) par exemple.
L'âge est corrélé avec le score total de mon test, le poids est corrélé avec le score total de mon test aussi.

Et pourtant, quand je fais ma régression linéiaire, c'est non significatif (gné)

Alors là, j'avoue n'y rien comprendre.

Si quelqu'un pouvait???

Merciiiiiiiiiiii
-----

[invitea3eb043e]

De quelle régression s'agit-il ?

[invitef6c0a804]

Les premières, faites une à une sont des corrélations toute simples, qui donnent le r de Bravais Pearson.

Et là j'ai fait des regressions linéaires multiples, qui donne un coefficient béta, une ANOVA et un R².

[inviteae4072e1]

As-tu pensé à la régression quadratique ?

[A voir en vidéo sur Futura]

[invitef6c0a804]

Mais quel est donc cette petite bête???? lol

Non, je ne sais pas du tout ce que c'est.

Et entre nous, je ne préfère pas m'avancer dans des tests stats que ne connaissent pas mes encadrants, parce que je risque de me viander à la soutenance si je ne sais pas expliquer ce que j'ai fait.

Par contre, je cherche à comprendre comment deux variables, corrélées de façon indépendante à un test, avec des rBP assez importants, et que ces deux variables, corrélées entre elles, n'ont aucun effet sur le résultat à ce test dans le cas d'une régression linéaire multiple.

Si vous avez une explication, je la veux bien, parce que là, je n'ai pas l'ampoule qu s'allume!

[invite986312212]

attention à la façon de tester la significativité de la relation entre une variable explicative et une réponse dans un modèle de régression multiple. La bonne manière est un test de comparaison entre modèles emboîtés: l'un incluant toutes les variables et éventuellement leurs interactions, l'autre sans la variable à tester (ni ses interactions avec les autres variables).

[invitef6c0a804]

Je suis désolée, mais je n'ai rien compris! ça promet.

Est-ce que cela veut dire que j'ai mal fait?

[invite986312212]

Est-ce que cela veut dire que j'ai mal fait?

difficile à dire... mais c'est possible. Les logiciels renvoient en général des sommes de carrés, des degrés de liberté et des P-values (comme on dit) mais ce sont des tests séquentiels, i.e. la significativité d'une variable explicative est testée conditionnellement à la régression sur les variables déjà introduites dans le modèle. Ce qui n'est pas une bonne façon d'évaluer la significativité pour une covariable. Il faut faire le test entre modèles emboîtés comme écrit plus haut.

autre point à vérifier: tu dis que ta variable réponse est un score. Est-ce correct de le modéliser par un modèle linéaire gaussien? Si tu ne sais pas, regarde au moins la distribution des résidus.

[invitef6c0a804]

Ben en fait, c'est ma prof qui m'a dit de faire une régression linéaire multiple. Mais j'obtiens des probabilités non significatives, alors que pourtant, chaque variable, indépendemment, est corrélée à ce score, mais ensemble, toutes les deux, elles n'expliquent pas les performances. Alors je ne comprend plus rien!

Qu'est ce un modèle emboité?

[invite76e2b617]

Bonsoir,

Ce que vous décrivez ressemble fort à un problème de multicolinéarité. Dans un de vos messages, vous dites d’ailleurs que vos variables explicatives sont corrélées entre elles. Cela a pour conséquence :
- de rendre les coefficients extrêmement instables (une modification faible dans les données entraîne une forte modification de l’estimation)
- de rendre les variances des coefficients de régression très élevées
- et de faire chuter les t de Student calculés, laissant croire que les variables incriminées ne sont pas significatives

Les méthodes de sélection de variables sont une réponse mais ces méthodes peuvent conduire à l’élimination de variables significativement liées à y, ce que l’on pourrait vous reprocher.
Je vous conseil de vous renseigner, au choix, sur la régression sur composantes principales, sur la régression ridge ou encore sur la régression PLS qui sont des méthodes indiquées dans ce genre de problème.

Cdt.

[invite986312212]

Je vous conseil de vous renseigner, au choix, sur la régression sur composantes principales, sur la régression ridge ou encore sur la régression PLS qui sont des méthodes indiquées dans ce genre de problème.

salut,

les méthodes que tu cites sont intéressantes, mais surtout pour la prédiction. En général en épidémiologie, on cherche surtout à quantifier l'association entre une variable explicative et une réponse. Si tu fais une régression sur composantes principales tu peux obtenir une bonne prédiction mais la composante principale n'aura pas d'interprétation évidente (en général).

par ailleurs, je serais étonné qu'il y ait une si grande corrélation entre âge et poids, au point de rendre instables les estimations.

ce que je ferais:
1) vérifier qu'on est bien dans les conditions d'application du modèle linéaire (normalité des résidus et homoscédasticité). Si ce n'est pas le cas, se poser la question d'un modèle linéaire généralisé, ou bien peut-être transformer la réponse.
2) regarder ce que dit le test de "goodness of fit". si ce n'est pas bon, éventuellement introduire des termes d'ordre supérieur (interactions, termes quadratiques).
3) tester l'influence des variables par des tests de modèles emboîtés (modèles emboîtés: les variables explicatives de l'un forment un sous-ensemble de celles de l'autre).
4) si le problème subsiste, il faut se rendre à l'évidence: les variables prises une à une n'ont pas de pouvoir prédictif suffisant (compte tenu de l'échantillon, etc.) mais l'ensemble des variables peut permettre une bonne prédiction. Après tout, c'est bien pour ça qu'on fait de la régression multiple.