Etant un grand adorateur de statistiques, j'ai voulu faire un modèle linéaire prédisant le temps en fonction du nombre de faces. J'ai prit comme données les WR avg du 2x2 au 7x7. Donc au départ je suis parti sur le modèle suivant :
Temps = Bo + B1(#faces) (#faces : pour 2x2 = 2; 3x3 = 3; etc.)
J'ai utilisé le programme R, et ça m'a sorti les outputs suivants :
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -92.831 26.851 -3.457 0.02588 *
X 35.012 5.579 6.276 0.00329 **
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 23.34 on 4 degrees of freedom
Multiple R-squared: 0.9078, Adjusted R-squared: 0.8848
F-statistic: 39.39 on 1 and 4 DF, p-value: 0.003291
Donc déjà ça donne un résultat globalement significatif, et chacun des paramètres séparément l'est aussi.
Cependant, en regardant le graphe des données, j'ai vu qu'il y avait l'air d'y avoir des effets quadratiques : http://www.noelshack.com/2013-27-137295 ... ubik-s.png" onclick="window.open(this.href);return false;
Donc je suis parti sur un nouveau modèle, de la forme suivante :
Temps = Bo + B1(#faces) + B2(#faces²)
Et là j'ai été surpris de voir à quel point le modèle est bon :
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 38.5587 10.2098 3.777 0.032518 *
X -33.2099 4.9768 -6.673 0.006862 **
X² 7.5802 0.5458 13.887 0.000808 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 3.335 on 3 degrees of freedom
Multiple R-squared: 0.9986, Adjusted R-squared: 0.9976
F-statistic: 1061 on 2 and 3 DF, p-value: 5.307e-05
Enfin voilà j'ai trouvé les résultats de ce modèle assez intéressant, mais j'ai aussi utilisé une base de données assez limité, je vais l'agrandir et vous redirai quoi !
