forward or backward ?

Lorsque l'on cherche à choisir un modèle optimal, on teste l'impact des variables (censées être) explicatives en fonction de critères ( AIC, BIC, test LRT,...) qui permettent de déterminer si le paramètre ajouter suffisamment plus d'information au modèle pour qu'il soit intéressante de le complexifier.

Deux grandes méthodes existent pour rechercher le meilleur modèle :
partir du plus simple au plus complexe : forward
partir du complexe au plus simple : backward
dans les deux cas, on avance pas à pas (paramètre par paramètre)

Selon vous, quelle méthode est à privilégier ?

Aucune des deux...c'est suivant les données.
On peut aussi faire les deux. En tout cas il faut déjà regarder que le modèle complet ajuste bien les données (prérequis de l'AIC).

nik a écrit:Aucune des deux...c'est suivant les données. Smile

oui je suis complètement d'accord avec toi...
mais :

En tout cas il faut déjà regarder que le modèle complet ajuste bien les données (prérequis de l'AIC).

c'était un peu là où je voulais en venir !

Dans le cas d'un modèle mal ajusté aux données, on parle d'un problème de manque de puissance avec fort risque de ne pas rejeter une hypothèse nulle à tord (risque beta).

Dans ce cas....
comment tester ton modèle ?
(tu me diras s'il est mal ajusté, pourquoi le tester ... ?)

tu me diras s'il est mal ajusté, pourquoi le tester

Exactement, et comme je l'indiquais c'est un des prérequis de l'AIC. Donc si ton modèle ajuste mal...il faut modifier l'approche en amont des stats. Ou se contenter de stat bien plus simple mais qui répondent aussi à des question plus simples

Et comment on fait pour regarder si le modèle est bien ajusté aux données ?

Salut,

la première chose est un graphique des valeurs prédites en fonction des observées. Ensuite un examen des résidus et des leviers est absolument nécessaire pour tout modèle qui se respecte. R dispose de tous les outils nécessaire pour ça. Je précise que les mesures type R², pseudo-R² de McFadden... sont utiles pour juger de l'adéquation globale mais certainement pas suffisante.