Régression non linéaire multiple avec XLSTAT
Jeu de données pour Régression non-linéaire (Genfit) XLS32.5 Ko
Jeu de données pour la régression non linéaire multiple et but de ce tutoriel
Une feuille Excel contenant les données et les résultats de cet exemple peut être téléchargée en cliquant ici.
Le but de l'étude est d'étudier l'effet de la concentration de deux composants sur la viscosité d'un yaourt. Le modèle que nous voulons ajustés est défini par :
F(C1, C2) = pr5 / (1+Exp(-pr1-pr2*C1-pr3*C2-pr4*C1*C2))
pr1, ..., pr5 sont les paramètres du modèle. Ce modèle dont la forme est sigmoïde (comme la fonction logistique) permet de prendre en compte à la fois la concentration des composants et leur interaction.
Paramétrer une régression non linéaire multiple
Une fois XLSTAT lancé, choisissez la commande XLSTAT/Modélisation/Régression non linéaire ou cliquez sur le bouton "Régression non linéaire" de la barre d'outils "Modélisation".

Une fois que vous avez appuyé sur le bouton, la boîte de dialogue de la régression non linéaire apparaît.
La variable dépendante est ici la « viscosité ».
Les variables quantitatives explicatives correspondent aux concentrations « C1 » et « C2 ».
Comme le noms des variables a été sélectionné, il faut cocher l’option Libellés des variables.

Dans l’onglet Options il faut sélectionner la valeur initiale de chacun des cinq paramètres.

Dans l’onglet Fonctions, plusieurs fonctions sont affichées. La fonction que nous voulons utiliser n’est pas listée dans les Fonctions préprogrammées. Nous devons donc entrer le modèle. Cliquez sur Ajouter et entrez la fonction. Cochez l’option Dérivées et sélectionnez les dérivées dans la feuille Excel. Cliquez sur Sauvegarder pour ajouter les fonctions à la librairie.

Dans l’onglet Sorties nous sélectionnons l’option Prédictions et résidus.
Les calculs commencent dès que vous cliquez OK.
Interpréter les résultats de la régression non linéaire multiple
Le premier tableau de résultats fournit des statistiques simples sur les données sélectionnées. Le second tableau (ci-dessous) donne les coefficients d'ajustement du modèle parmi lesquels le R² (coefficient de détermination) qui donne une idée du % de variabilité de la variable dépendante, expliqué par les variables explicatives. Plus ce coefficient est proche de 1, meilleur est le modèle. La somme des carrés des résidus (SCE) est le critère utilisé par XLSTAT pour ajuster le modèle.

Dans notre cas, 99% de la variabilité est expliquée par les deux variables et leur interaction, ce qui constitue un excellent résultat. Le tableau suivant fournit les détails sur les paramètres du modèle après ajustement. Nous voyons que le paramètre pr5 a une valeur plus élevée que pr4. Cette valeur élevée de pr5 permet de conclure que l’interaction entre les deux composés a un effet plus important sur la viscosité que les concentrations elles-mêmes.

Le premier graphique (voir ci-dessous) permet de visualiser les données et la courbe du modèle ajusté. Les autres graphiques permettent d'analyser les résidus, et sont particulièrement utiles lorsque le nombre de données est important.
