Régression orthogonale (Deming)

La régression orthogonale (ou régression de Deming, ou régression avec erreurs sur les variables) est une méthode statistique servant à déterminer la relation entre deux systèmes de mesure ou deux variables continues lorsque les deux variables comportent une erreur de mesure — et pas seulement la variable de réponse. Contrairement à la régression standard, qui suppose que seule la variable Y comporte une erreur, la régression orthogonale tient compte simultanément de l'incertitude des mesures de X et de Y, et produit ainsi une droite d'ajustement plus exacte et sans biais.

Dernière révision

Point clé

La régression orthogonale (ou régression de Deming) est une méthode statistique servant à déterminer la relation entre deux systèmes de mesure ou deux variables continues lorsque les deux comportent une erreur de mesure.

Sur cette page
  1. Qu'est-ce que la régression orthogonale ?
  2. Quand utiliser la régression orthogonale ?
  3. Recommandations pour bien utiliser la régression orthogonale
  4. Alternatives : quand ne pas utiliser la régression orthogonale
  5. Exemple de régression orthogonale
  6. Comment réaliser une régression orthogonale

Qu'est-ce que la régression orthogonale ?

La régression orthogonale (ou régression de Deming, ou régression avec erreurs sur les variables) est une méthode statistique servant à déterminer la relation entre deux systèmes de mesure ou deux variables continues lorsque les deux variables comportent une erreur de mesure — et pas seulement la variable de réponse. Contrairement à la régression standard, qui suppose que seule la variable Y comporte une erreur, la régression orthogonale tient compte simultanément de l'incertitude des mesures de X et de Y, et produit ainsi une droite d'ajustement plus exacte et sans biais.
Elle est le plus souvent utilisée pour évaluer si deux méthodes de mesure, instruments ou laboratoires donnent des résultats équivalents — par exemple en comparant une nouvelle méthode d'essai à une méthode de référence établie pour déterminer si elles peuvent être utilisées indifféremment.

Quand utiliser la régression orthogonale ?

  • Utilisez-la lorsque vous voulez comparer deux méthodes de mesure pour déterminer si elles donnent des résultats équivalents sur un même ensemble d'éléments.
  • Utilisez-la lorsque les deux variables comparées comportent une erreur de mesure — si seule la variable Y comporte une erreur, utilisez plutôt le modèle Fit Line Model standard (droite d'ajustement).
  • Utilisez-la lorsque l'objectif est d' établir l'équivalence ou l'interchangeabilité de méthodes — par exemple pour valider une méthode d'essai plus rapide ou moins chère par rapport à une référence acceptée.
  • Utilisez-la lorsque vous devez estimer la vraie relation entre deux variables toutes deux mesurées de façon imprécise, plutôt que d'utiliser une relation faussée par l'oubli de l'erreur sur la variable X.
  • Utilisez-la dans les études de laboratoire, cliniques, de fabrication et d'étalonnage où la comparaison de systèmes de mesure est une exigence centrale.

Recommandations pour bien utiliser la régression orthogonale

  • Les deux variables doivent être continues — la régression orthogonale ne convient pas aux données catégorielles ou d'attribut.
  • Le rapport des variances d'erreur (rapport de la variance de l'erreur de mesure de X à celle de Y) doit être spécifié ou estimé — l'hypothèse par défaut est que les deux variables ont la même erreur de mesure (rapport = 1), mais elle doit être vérifiée ou ajustée en fonction de la capabilité connue du système de mesure.
  • Collectez suffisamment de paires de données — mesurez le même ensemble d'éléments avec les deux méthodes. Un minimum de 30 à 50 observations appariées est recommandé pour obtenir des estimations stables et fiables de la droite de régression.
  • Assurez-vous que l' étendue des éléments mesurés couvre toute la plage opérationnelle d'intérêt — une plage de mesure étroite produira des estimations peu fiables de la pente et de l'ordonnée à l'origine et rendra difficile de justifier des conclusions d'équivalence entre méthodes.
  • Après l'ajustement, examinez l' intervalle de confiance de la pente — s'il contient 1.0, les deux méthodes ont des réponses proportionnellement équivalentes. Examinez l' intervalle de confiance de l'ordonnée à l'origine — s'il contient 0, il n'y a pas de biais systématique fixe entre les méthodes.
  • Vérifiez les graphiques des résidus pour vous assurer que les hypothèses du modèle sont respectées et qu'aucune observation inhabituelle n'influence de façon disproportionnée la droite ajustée.
  • N'extrapolez pas les conclusions au-delà de l'étendue des éléments testés — l'équivalence des deux méthodes n'est démontrée que dans la plage mesurée.

Alternatives : quand ne pas utiliser la régression orthogonale

  • Si seule la variable de réponse (Y) comporte une erreur de mesure et que le prédicteur (X) est mesuré avec une erreur négligeable ou est une valeur contrôlée et exacte, utilisez plutôt la droite d'ajustement ou l'ajustement d'un modèle de régression — la régression orthogonale surcorrigerait et produirait une estimation biaisée de la pente.
  • Si l'objectif est de prédire une réponse à partir de prédicteurs plutôt que de comparer deux systèmes de mesure, utilisez plutôt l' ajustement d'un modèle de régression — la régression orthogonale est conçue spécifiquement pour la comparaison de méthodes, pas pour la prédiction.
  • Si le rapport des variances d'erreur est totalement inconnu et ne peut pas être estimé à partir d'une étude de système de mesure, les résultats de la régression orthogonale seront peu fiables — menez d'abord une étude Gage R&R ou une analyse du système de mesure pour quantifier l'erreur de chaque variable avant de poursuivre.
  • Si vous avez plus de deux variables à comparer ou à modéliser simultanément, utilisez plutôt l' ajustement d'un modèle de régression ou l' analyse multivariée .
  • Si les deux variables comparées sont sur des échelles différentes ou mesurent des caractéristiques fondamentalement différentes, une étude de comparaison de méthodes n'est pas appropriée — la régression orthogonale exige que les deux variables mesurent la même grandeur sous-jacente.
  • Si la variable de réponse est catégorielle ou binaire, utilisez plutôt la régression logistique .

Exemple de régression orthogonale

Un ingénieur compare un nouveau tensiomètre à un appareil existant en mesurant la pression artérielle systolique de 60 personnes avec les deux instruments. Pour évaluer l'équivalence, on utilise la régression orthogonale puisque les deux appareils comportent une erreur de mesure. D'après des études antérieures, la variance du nouveau tensiomètre est de 1.08 et celle du tensiomètre existant de 1.20. Le nouveau tensiomètre est traité comme la réponse et l'appareil existant comme le prédicteur, ce qui donne un rapport des variances d'erreur de 0.90 pour l'analyse. Les étapes sont les suivantes :

  1. Les données nécessaires ont été rassemblées.
Orthogonal Regression — figure 1
  1. Analysez maintenant les données dans Zometric Statistical Software à l'adresse https://statsai.zometric.com/.
  2. Pour trouver la régression orthogonale, choisissez Statistical module> Regression>Orthogonal Regression.
  3. Dans l'outil, saisissez les données ainsi que les autres entrées comme suit :
Orthogonal Regression — figure 2

5. Après avoir utilisé l'outil ci-dessus, récupérez les résultats comme suit

Orthogonal Regression — figure 3Orthogonal Regression — figure 4

Comment réaliser une régression orthogonale

La marche à suivre est la suivante :

  1. Connectez-vous à Zometric Statistical Software à l'adresse https://statsai.zometric.com/
  2. Sur la page d'accueil, choisissez Statistical Tool> Regression > Orthogonal Regression.
  3. Ensuite, mettez à jour les données manuellement ou copiez-les (Ctrl+C) intégralement depuis une feuille Excel et collez-les (Ctrl+V) ici, ou encore utilisez l'option Load Example pour charger les données d'exemple.
  4. Ensuite, vous devez renseigner les options requises.
  5. Enfin, cliquez sur calculate en bas de la page pour obtenir les résultats.

Sur le tableau de bord de la régression orthogonale, la fenêtre est divisée en deux parties.

Orthogonal Regression — figure 5

Dans la partie gauche se trouve le Data Pane (volet de données). Dans le Data Pane, chaque ligne constitue un sous-groupe. Les données peuvent être saisies manuellement ou copiées (Ctrl+C) intégralement depuis une feuille Excel puis collées (Ctrl+V) ici.

Load example : des données d'exemple sont chargées.

Dans la partie droite, de nombreuses options sont présentes, comme suit :

  • Response(Y) : sélectionnez la colonne contenant les mesures de la méthode ou de l'instrument que vous voulez évaluer, typiquement la méthode nouvelle, alternative ou à l'essai évaluée par rapport à une référence établie. C'est la variable tracée sur l'axe vertical. Dans une étude de comparaison de méthodes, c'est généralement le système de mesure plus récent, plus rapide ou moins coûteux dont l'équivalence avec la référence doit être démontrée.
  • Predictor (X) : sélectionnez la colonne contenant les mesures de la méthode de référence, établie ou standard , le système de mesure déjà accepté comme fiable et exact. C'est la variable tracée sur l'axe horizontal. Les colonnes Response et Predictor doivent contenir des mesures prises sur le même ensemble d'éléments ou d'échantillons : chaque ligne représente un élément mesuré par les deux méthodes.
  • Error Variance Ratio (Y/X) : définit le rapport supposé entre la variance de l'erreur de mesure de la variable Y et celle de la variable X. C'est l'entrée la plus critique et la plus spécifique de la régression orthogonale : elle indique au modèle quelle quantité d'erreur existe dans chaque variable par rapport à l'autre, de sorte que la droite ajustée tienne correctement compte de l'imprécision des deux mesures.

Questions fréquentes

Qu'est-ce que la régression orthogonale ?

La régression orthogonale, aussi appelée régression de Deming ou régression avec erreurs sur les variables, détermine la relation entre deux systèmes de mesure ou deux variables continues lorsque les deux comportent une erreur de mesure. Contrairement à la régression standard, qui suppose que seule la variable Y comporte une erreur, elle tient compte de l'incertitude de X et de Y, et donne une droite d'ajustement plus exacte et sans biais.

Quand utiliser la régression orthogonale plutôt que la régression linéaire simple ?

Utilisez la régression orthogonale pour comparer deux méthodes de mesure, instruments ou laboratoires lorsque les deux variables comportent une erreur de mesure, par exemple pour valider une nouvelle méthode d'essai par rapport à une référence. Si seule la variable Y comporte une erreur et que X est une valeur contrôlée ou exacte, utilisez plutôt la droite d'ajustement ou l'ajustement d'un modèle de régression, car la régression orthogonale surcorrigerait la pente.

Comment interpréter les résultats d'une régression orthogonale ?

Examinez l'intervalle de confiance de la pente : s'il contient 1.0, les deux méthodes ont des réponses proportionnellement équivalentes. Examinez l'intervalle de confiance de l'ordonnée à l'origine : s'il contient 0, il n'y a pas de biais systématique fixe entre les méthodes. Vérifiez les graphiques des résidus et n'extrapolez pas l'équivalence au-delà de l'étendue des éléments testés.

Qu'est-ce que le rapport des variances d'erreur en régression orthogonale ?

Le rapport des variances d'erreur est le rapport de la variance de l'erreur de mesure de Y à celle de X. Il indique au modèle quelle quantité d'erreur existe dans chaque variable par rapport à l'autre. La valeur par défaut suppose une erreur égale (rapport 1), mais elle doit être vérifiée ou estimée, par exemple à partir d'une étude Gage R&R. Utilisez au moins 30 à 50 observations appariées.