{"id":11856,"date":"2023-07-26T07:35:00","date_gmt":"2023-07-26T07:35:00","guid":{"rendered":"https:\/\/grafiti.com\/nouvelles-fonctionnalites-de-sigmastat\/"},"modified":"2024-01-14T19:09:06","modified_gmt":"2024-01-14T19:09:06","slug":"nouvelles-fonctionnalites-de-sigmastat","status":"publish","type":"page","link":"https:\/\/grafiti.com\/fr\/nouvelles-fonctionnalites-de-sigmastat\/","title":{"rendered":"Nouvelles fonctionnalit\u00e9s de Sigmastat"},"content":{"rendered":"\t\t<div data-elementor-type=\"wp-page\" data-elementor-id=\"11856\" class=\"elementor elementor-11856 elementor-770\" data-elementor-post-type=\"page\">\n\t\t\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-eb8775b elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"eb8775b\" data-element_type=\"section\" data-e-type=\"section\" data-settings=\"{&quot;background_background&quot;:&quot;classic&quot;}\">\n\t\t\t\t\t\t\t<div class=\"elementor-background-overlay\"><\/div>\n\t\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-39de86b\" data-id=\"39de86b\" data-element_type=\"column\" data-e-type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t<div class=\"elementor-element elementor-element-10e05d8 elementor-widget elementor-widget-heading\" data-id=\"10e05d8\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<h2 class=\"elementor-heading-title elementor-size-default\">Caract\u00e9ristiques g\u00e9n\u00e9rales\n<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-cf8cd7e elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"cf8cd7e\" data-element_type=\"section\" data-e-type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-8cb634e\" data-id=\"8cb634e\" data-element_type=\"column\" data-e-type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t<div class=\"elementor-element elementor-element-67eaa34 elementor-widget elementor-widget-heading\" data-id=\"67eaa34\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<h2 class=\"elementor-heading-title elementor-size-default\">Nouvelles fonctionnalit\u00e9s<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-94245b5 elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"94245b5\" data-element_type=\"section\" data-e-type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-da6e85e\" data-id=\"da6e85e\" data-element_type=\"column\" data-e-type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t<div class=\"elementor-element elementor-element-6510a02 elementor-widget elementor-widget-heading\" data-id=\"6510a02\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<p class=\"elementor-heading-title elementor-size-default\">En 2007, les fonctions et caract\u00e9ristiques de SigmaStat ont \u00e9t\u00e9 int\u00e9gr\u00e9es dans SigmaPlot \u00e0 partir de la version 11.\n\nCependant, le 1er f\u00e9vrier 2016, SigmaStat 4.0 a \u00e9t\u00e9 publi\u00e9 et est maintenant disponible en tant que produit autonome.\n\n<\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-94893eb elementor-widget elementor-widget-heading\" data-id=\"94893eb\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<h2 class=\"elementor-heading-title elementor-size-default\">Vous trouverez ci-dessous les nombreuses am\u00e9liorations apport\u00e9es aux fonctions d'analyse statistique de SigmaStat :\n\n<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-c99a387 elementor-icon-list--layout-traditional elementor-list-item-link-full_width elementor-widget elementor-widget-icon-list\" data-id=\"c99a387\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"icon-list.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<ul class=\"elementor-icon-list-items\">\n\t\t\t\t\t\t\t<li class=\"elementor-icon-list-item\">\n\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-icon-list-icon\">\n\t\t\t\t\t\t\t<i aria-hidden=\"true\" class=\"fas fa-dot-circle\"><\/i>\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-icon-list-text\">Analyse en composantes principales (ACP) - L'analyse en composantes principales est une technique qui permet de r\u00e9duire la complexit\u00e9 des donn\u00e9es \u00e0 haute dimension en les approximant avec moins de dimensions.<\/span>\n\t\t\t\t\t\t\t\t\t<\/li>\n\t\t\t\t\t\t\t\t<li class=\"elementor-icon-list-item\">\n\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-icon-list-icon\">\n\t\t\t\t\t\t\t<i aria-hidden=\"true\" class=\"fas fa-dot-circle\"><\/i>\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-icon-list-text\">Analyse de la covariance (ANCOVA) - L'analyse de la covariance est une extension de l'ANOVA (analyse de la variance) obtenue en sp\u00e9cifiant une ou plusieurs covariables comme variables suppl\u00e9mentaires dans le mod\u00e8le.<\/span>\n\t\t\t\t\t\t\t\t\t<\/li>\n\t\t\t\t\t\t\t\t<li class=\"elementor-icon-list-item\">\n\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-icon-list-icon\">\n\t\t\t\t\t\t\t<i aria-hidden=\"true\" class=\"fas fa-dot-circle\"><\/i>\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-icon-list-text\">R\u00e9gression de Cox - Elle comprend le mod\u00e8le des risques proportionnels avec stratification pour \u00e9tudier l'impact des facteurs de risque potentiels sur la dur\u00e9e de survie d'une population. Les donn\u00e9es d'entr\u00e9e peuvent \u00eatre cat\u00e9goriques.<\/span>\n\t\t\t\t\t\t\t\t\t<\/li>\n\t\t\t\t\t\t\t\t<li class=\"elementor-icon-list-item\">\n\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-icon-list-icon\">\n\t\t\t\t\t\t\t<i aria-hidden=\"true\" class=\"fas fa-dot-circle\"><\/i>\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-icon-list-text\">Test T \u00e0 un \u00e9chantillon - Teste l'hypoth\u00e8se selon laquelle la moyenne d'une population est \u00e9gale \u00e0 une valeur sp\u00e9cifi\u00e9e.<\/span>\n\t\t\t\t\t\t\t\t\t<\/li>\n\t\t\t\t\t\t\t\t<li class=\"elementor-icon-list-item\">\n\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-icon-list-icon\">\n\t\t\t\t\t\t\t<i aria-hidden=\"true\" class=\"fas fa-dot-circle\"><\/i>\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-icon-list-text\">Tests du rapport de cotes et du risque relatif - Ces deux tests v\u00e9rifient l'hypoth\u00e8se selon laquelle un traitement n'a pas d'effet sur le taux d'occurrence d'un \u00e9v\u00e9nement donn\u00e9 dans une population. Le rapport de cotes est utilis\u00e9 dans les \u00e9tudes r\u00e9trospectives pour d\u00e9terminer l'effet du traitement apr\u00e8s l'observation de l'\u00e9v\u00e9nement. Le risque relatif est utilis\u00e9 dans les \u00e9tudes prospectives o\u00f9 les groupes de traitement et de contr\u00f4le ont \u00e9t\u00e9 choisis avant que l'\u00e9v\u00e9nement ne se produise.<\/span>\n\t\t\t\t\t\t\t\t\t<\/li>\n\t\t\t\t\t\t\t\t<li class=\"elementor-icon-list-item\">\n\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-icon-list-icon\">\n\t\t\t\t\t\t\t<i aria-hidden=\"true\" class=\"fas fa-dot-circle\"><\/i>\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-icon-list-text\">Test de normalit\u00e9 de Shapiro-Wilk - Test plus pr\u00e9cis que celui de Kolmogorov-Smirnov pour \u00e9valuer la normalit\u00e9 des donn\u00e9es \u00e9chantillonn\u00e9es. Utilis\u00e9 dans la v\u00e9rification des hypoth\u00e8ses pour de nombreux tests statistiques, mais peut \u00e9galement \u00eatre utilis\u00e9 directement sur les donn\u00e9es de la feuille de calcul.<\/span>\n\t\t\t\t\t\t\t\t\t<\/li>\n\t\t\t\t\t\t\t\t<li class=\"elementor-icon-list-item\">\n\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-icon-list-icon\">\n\t\t\t\t\t\t\t<i aria-hidden=\"true\" class=\"fas fa-dot-circle\"><\/i>\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-icon-list-text\">Nouveau graphique de r\u00e9sultats - ANOVA Profile Plots : Utilis\u00e9 pour analyser les effets principaux et les interactions d'ordre sup\u00e9rieur des facteurs dans un plan ANOVA multifactoriel en comparant les moyennes des moindres carr\u00e9s.<\/span>\n\t\t\t\t\t\t\t\t\t<\/li>\n\t\t\t\t\t\t\t\t<li class=\"elementor-icon-list-item\">\n\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-icon-list-icon\">\n\t\t\t\t\t\t\t<i aria-hidden=\"true\" class=\"fas fa-dot-circle\"><\/i>\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-icon-list-text\">Nouvelles transformations de probabilit\u00e9s - Trente-quatre nouvelles fonctions ont \u00e9t\u00e9 ajout\u00e9es au langage de transformation de SigmaStat pour calculer les probabilit\u00e9s et les scores associ\u00e9s aux distributions qui apparaissent dans de nombreux domaines d'\u00e9tude.<\/span>\n\t\t\t\t\t\t\t\t\t<\/li>\n\t\t\t\t\t\t\t\t<li class=\"elementor-icon-list-item\">\n\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-icon-list-icon\">\n\t\t\t\t\t\t\t<i aria-hidden=\"true\" class=\"fas fa-dot-circle\"><\/i>\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-icon-list-text\">Nouveau changement d'interface - R\u00e9gression non lin\u00e9aire : Une interface d'assistant facile \u00e0 utiliser et des rapports plus d\u00e9taill\u00e9s.<\/span>\n\t\t\t\t\t\t\t\t\t<\/li>\n\t\t\t\t\t\t\t\t<li class=\"elementor-icon-list-item\">\n\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-icon-list-icon\">\n\t\t\t\t\t\t\t<i aria-hidden=\"true\" class=\"fas fa-dot-circle\"><\/i>\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-icon-list-text\">Nouveau changement d'interface - Transformations rapides : Une fa\u00e7on plus simple d'effectuer des calculs dans la feuille de calcul.<\/span>\n\t\t\t\t\t\t\t\t\t<\/li>\n\t\t\t\t\t\t\t\t<li class=\"elementor-icon-list-item\">\n\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-icon-list-icon\">\n\t\t\t\t\t\t\t<i aria-hidden=\"true\" class=\"fas fa-dot-circle\"><\/i>\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-icon-list-text\">Nouveau changement d'interface - Nouvelle interface utilisateur : Permet \u00e0 l'utilisateur de travailler plus facilement avec les feuilles de calcul Excel.<\/span>\n\t\t\t\t\t\t\t\t\t<\/li>\n\t\t\t\t\t\t\t\t<li class=\"elementor-icon-list-item\">\n\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-icon-list-icon\">\n\t\t\t\t\t\t\t<i aria-hidden=\"true\" class=\"fas fa-dot-circle\"><\/i>\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-icon-list-text\">Correction de Yates ajout\u00e9e au test de Mann-Whitney - La correction de Yates pour la continuit\u00e9, ou test chi-carr\u00e9 de Yates, est utilis\u00e9e pour tester l'ind\u00e9pendance dans un tableau de contingence afin d'\u00e9valuer si deux \u00e9chantillons d'observations proviennent de la m\u00eame distribution.<\/span>\n\t\t\t\t\t\t\t\t\t<\/li>\n\t\t\t\t\t\t\t\t<li class=\"elementor-icon-list-item\">\n\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-icon-list-icon\">\n\t\t\t\t\t\t\t<i aria-hidden=\"true\" class=\"fas fa-dot-circle\"><\/i>\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-icon-list-text\">Messages d'erreur am\u00e9lior\u00e9s - Les messages d'erreur am\u00e9lior\u00e9s ajoutent des informations lorsque la v\u00e9rification des hypoth\u00e8ses pour l'ANOVA a \u00e9chou\u00e9.<\/span>\n\t\t\t\t\t\t\t\t\t<\/li>\n\t\t\t\t\t\t\t\t<li class=\"elementor-icon-list-item\">\n\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-icon-list-icon\">\n\t\t\t\t\t\t\t<i aria-hidden=\"true\" class=\"fas fa-dot-circle\"><\/i>\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-icon-list-text\">R\u00e9gression de Deming - La r\u00e9gression de Deming permet de tenir compte des erreurs dans les variables X et Y. Il s'agit d'une technique de comparaison des m\u00e9thodes o\u00f9 les donn\u00e9es X proviennent d'une m\u00e9thode et les donn\u00e9es Y de l'autre. La m\u00e9thode de r\u00e9gression de Deming \u00e9tend fondamentalement la r\u00e9gression lin\u00e9aire normale, o\u00f9 les valeurs X sont consid\u00e9r\u00e9es comme exemptes d'erreur, au cas o\u00f9 X et Y (les deux m\u00e9thodes) comportent une erreur. Des hypoth\u00e8ses peuvent ensuite \u00eatre test\u00e9es, une pente diff\u00e9rente de celle de 1.0 par exemple, pour d\u00e9terminer si les m\u00e9thodes sont les m\u00eames. Par exemple, elle peut \u00eatre utilis\u00e9e pour comparer deux instruments con\u00e7us pour mesurer la m\u00eame substance ou pour comparer deux m\u00e9thodes algorithmiques de d\u00e9tection de tumeurs dans des images. Le graphique compare les deux m\u00e9thodes pour d\u00e9terminer si elles sont diff\u00e9rentes ou identiques. Un rapport donne des r\u00e9sultats statistiques.<\/span>\n\t\t\t\t\t\t\t\t\t<\/li>\n\t\t\t\t\t\t<\/ul>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-1c9d468 elementor-widget elementor-widget-image\" data-id=\"1c9d468\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<img fetchpriority=\"high\" decoding=\"async\" width=\"367\" height=\"343\" src=\"https:\/\/grafiti.com\/wp-content\/uploads\/2023\/07\/image001.jpg\" class=\"attachment-large size-large wp-image-6075\" alt=\"\" srcset=\"https:\/\/grafiti.com\/wp-content\/uploads\/2023\/07\/image001.jpg 367w, https:\/\/grafiti.com\/wp-content\/uploads\/2023\/07\/image001-300x280.jpg 300w\" sizes=\"(max-width: 367px) 100vw, 367px\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-0bee11b elementor-icon-list--layout-traditional elementor-list-item-link-full_width elementor-widget elementor-widget-icon-list\" data-id=\"0bee11b\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"icon-list.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<ul class=\"elementor-icon-list-items\">\n\t\t\t\t\t\t\t<li class=\"elementor-icon-list-item\">\n\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-icon-list-icon\">\n\t\t\t\t\t\t\t<i aria-hidden=\"true\" class=\"fas fa-dot-circle\"><\/i>\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-icon-list-text\">Crit\u00e8re d'information d'Akaike (AICc) - Le crit\u00e8re d'information d'Akaike est d\u00e9sormais disponible dans les rapports de r\u00e9gression non lin\u00e9aire. Il s'agit d'un crit\u00e8re de qualit\u00e9 d'ajustement qui tient \u00e9galement compte du nombre de param\u00e8tres dans l'\u00e9quation. Elle est \u00e9galement valable pour les \u00e9quations non imbriqu\u00e9es que l'on rencontre, par exemple, dans les analyses de cin\u00e9tique enzymatique.<\/span>\n\t\t\t\t\t\t\t\t\t<\/li>\n\t\t\t\t\t\t\t\t<li class=\"elementor-icon-list-item\">\n\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-icon-list-icon\">\n\t\t\t\t\t\t\t<i aria-hidden=\"true\" class=\"fas fa-dot-circle\"><\/i>\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-icon-list-text\">Nouvelles fonctions de probabilit\u00e9 pour la r\u00e9gression non lin\u00e9aire - Au total, 24 fonctions de probabilit\u00e9 ont \u00e9t\u00e9 ajout\u00e9es \u00e0 la biblioth\u00e8que d'ajustement des courbes. Des \u00e9quations automatiques d'estimation des param\u00e8tres initiaux ont \u00e9t\u00e9 cr\u00e9\u00e9es pour chacun d'entre eux.<\/span>\n\t\t\t\t\t\t\t\t\t<\/li>\n\t\t\t\t\t\t\t\t<li class=\"elementor-icon-list-item\">\n\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-icon-list-icon\">\n\t\t\t\t\t\t\t<i aria-hidden=\"true\" class=\"fas fa-dot-circle\"><\/i>\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-icon-list-text\">Pond\u00e9ration de la r\u00e9gression non lin\u00e9aire - Il existe d\u00e9sormais sept fonctions de pond\u00e9ration diff\u00e9rentes int\u00e9gr\u00e9es dans chaque \u00e9quation de r\u00e9gression non lin\u00e9aire (les 3D sont l\u00e9g\u00e8rement diff\u00e9rentes). Ces fonctions sont les suivantes : y r\u00e9ciproque, y r\u00e9ciproque au carr\u00e9, x r\u00e9ciproque, x r\u00e9ciproque au carr\u00e9, pr\u00e9dictions r\u00e9ciproques, pr\u00e9dictions r\u00e9ciproques au carr\u00e9 et Cauchy. L'algorithme des moindres carr\u00e9s repond\u00e9r\u00e9s de mani\u00e8re it\u00e9rative est utilis\u00e9 pour permettre aux poids de changer au cours de chaque it\u00e9ration de r\u00e9gression non lin\u00e9aire.<\/span>\n\t\t\t\t\t\t\t\t\t<\/li>\n\t\t\t\t\t\t\t\t<li class=\"elementor-icon-list-item\">\n\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-icon-list-icon\">\n\t\t\t\t\t\t\t<i aria-hidden=\"true\" class=\"fas fa-dot-circle\"><\/i>\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-icon-list-text\">Am\u00e9lioration des tests de comparaisons multiples - Deux am\u00e9liorations importantes ont \u00e9t\u00e9 apport\u00e9es. Les valeurs P pour les r\u00e9sultats de l'ANOVA non param\u00e9trique ont \u00e9t\u00e9 ajout\u00e9es. Ceux-ci n'existaient pas auparavant. De m\u00eame, les valeurs P des comparaisons multiples ont \u00e9t\u00e9 limit\u00e9es \u00e0 des choix discrets (0,05, 0,01, etc.). Cette limitation n'existe plus et toute valeur P valide peut \u00eatre utilis\u00e9e.<\/span>\n\t\t\t\t\t\t\t\t\t<\/li>\n\t\t\t\t\t\t<\/ul>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-a081f3a elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"a081f3a\" data-element_type=\"section\" data-e-type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-27c8faf\" data-id=\"27c8faf\" data-element_type=\"column\" data-e-type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t<div class=\"elementor-element elementor-element-707633e elementor-widget elementor-widget-heading\" data-id=\"707633e\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<h2 class=\"elementor-heading-title elementor-size-default\">Nouveaux tests statistiques majeurs\n<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-42ccde2 elementor-widget elementor-widget-text-editor\" data-id=\"42ccde2\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<p><b>Analyse en composantes principales (ACP) &#8211; <\/b> L&rsquo;<a href=\"http:\/\/en.wikipedia.org\/wiki\/Principal_component_analysis\" target=\"_blank\" rel=\"noopener noreferrer\">analyse en composantes principales<\/a> est une technique qui permet de r\u00e9duire la complexit\u00e9 des donn\u00e9es \u00e0 haute dimension en les approximant avec moins de dimensions. Chaque nouvelle dimension est appel\u00e9e <i>composante principale<\/i> et repr\u00e9sente une combinaison lin\u00e9aire des variables originales. La premi\u00e8re composante principale tient compte de la plus grande variation possible des donn\u00e9es. Chaque composante principale suivante rend compte de la plus grande partie possible de la variation restante et est orthogonale \u00e0 toutes les composantes principales pr\u00e9c\u00e9dentes.<\/p>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-495fc8f elementor-widget elementor-widget-text-editor\" data-id=\"495fc8f\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<p>Vous pouvez examiner les composantes principales pour comprendre les sources de variation de vos donn\u00e9es. Vous pouvez \u00e9galement les utiliser pour \u00e9laborer des mod\u00e8les pr\u00e9dictifs. Si la plupart des variations de vos donn\u00e9es existent dans un sous-ensemble \u00e0 faible dimension, vous pouvez peut-\u00eatre mod\u00e9liser votre variable de r\u00e9ponse en termes de composantes principales. Vous pouvez utiliser les composantes principales pour r\u00e9duire le nombre de variables dans la r\u00e9gression, le regroupement et d&rsquo;autres techniques statistiques. L&rsquo;objectif principal de l&rsquo;analyse en composantes principales est d&rsquo;expliquer les sources de variabilit\u00e9 des donn\u00e9es et de repr\u00e9senter les donn\u00e9es avec moins de variables tout en pr\u00e9servant la majeure partie de la variance totale.<\/p>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-9bdc2b2 elementor-widget elementor-widget-heading\" data-id=\"9bdc2b2\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<h2 class=\"elementor-heading-title elementor-size-default\">Exemples de graphiques des composantes principales :<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-fe6272f elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"fe6272f\" data-element_type=\"section\" data-e-type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-33 elementor-top-column elementor-element elementor-element-3a6da3b\" data-id=\"3a6da3b\" data-element_type=\"column\" data-e-type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t<div class=\"elementor-element elementor-element-4f26dbf elementor-widget elementor-widget-image\" data-id=\"4f26dbf\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"237\" height=\"250\" src=\"https:\/\/grafiti.com\/wp-content\/uploads\/2023\/07\/image002.jpg\" class=\"attachment-large size-large wp-image-6081\" alt=\"\" srcset=\"https:\/\/grafiti.com\/wp-content\/uploads\/2023\/07\/image002.jpg 237w, https:\/\/grafiti.com\/wp-content\/uploads\/2023\/07\/image002-150x158.jpg 150w\" sizes=\"(max-width: 237px) 100vw, 237px\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t<div class=\"elementor-column elementor-col-33 elementor-top-column elementor-element elementor-element-6041be8\" data-id=\"6041be8\" data-element_type=\"column\" data-e-type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t<div class=\"elementor-element elementor-element-9f127f6 elementor-widget elementor-widget-image\" data-id=\"9f127f6\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"239\" height=\"250\" src=\"https:\/\/grafiti.com\/wp-content\/uploads\/2023\/07\/image003.jpg\" class=\"attachment-large size-large wp-image-6087\" alt=\"\" srcset=\"https:\/\/grafiti.com\/wp-content\/uploads\/2023\/07\/image003.jpg 239w, https:\/\/grafiti.com\/wp-content\/uploads\/2023\/07\/image003-150x157.jpg 150w\" sizes=\"(max-width: 239px) 100vw, 239px\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t<div class=\"elementor-column elementor-col-33 elementor-top-column elementor-element elementor-element-6c073f2\" data-id=\"6c073f2\" data-element_type=\"column\" data-e-type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t<div class=\"elementor-element elementor-element-6bd9673 elementor-widget elementor-widget-image\" data-id=\"6bd9673\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<img loading=\"lazy\" decoding=\"async\" width=\"239\" height=\"250\" src=\"https:\/\/grafiti.com\/wp-content\/uploads\/2023\/07\/image004.jpg\" class=\"attachment-large size-large wp-image-6093\" alt=\"\" srcset=\"https:\/\/grafiti.com\/wp-content\/uploads\/2023\/07\/image004.jpg 239w, https:\/\/grafiti.com\/wp-content\/uploads\/2023\/07\/image004-150x157.jpg 150w\" sizes=\"(max-width: 239px) 100vw, 239px\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-e25ec90 elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"e25ec90\" data-element_type=\"section\" data-e-type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-4ec51b4\" data-id=\"4ec51b4\" data-element_type=\"column\" data-e-type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t<div class=\"elementor-element elementor-element-dce85ae elementor-widget elementor-widget-text-editor\" data-id=\"dce85ae\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<p><b>Analyse de covariance (ANCOVA) &#8211; <\/b> L&rsquo;<a href=\"http:\/\/en.wikipedia.org\/wiki\/Analysis_of_covariance\" target=\"_blank\" rel=\"noopener noreferrer\">analyse de covariance<\/a> est une extension de l&rsquo;ANOVA obtenue en sp\u00e9cifiant une ou plusieurs covariables comme variables suppl\u00e9mentaires dans le mod\u00e8le. Si vous organisez les donn\u00e9es ANCOVA dans une feuille de calcul SigmaPlot en utilisant le format de donn\u00e9es <i>index\u00e9es<\/i>, une colonne repr\u00e9sentera le facteur et une colonne repr\u00e9sentera la variable d\u00e9pendante (les observations) comme dans un plan ANOVA. En outre, vous aurez une colonne pour chaque covariable.<\/p>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-aeb0087 elementor-widget elementor-widget-heading\" data-id=\"aeb0087\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<h2 class=\"elementor-heading-title elementor-size-default\">Exemples de graphiques ANCOVA :<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-a7a74bf elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"a7a74bf\" data-element_type=\"section\" data-e-type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-25 elementor-top-column elementor-element elementor-element-b3b2a5c\" data-id=\"b3b2a5c\" data-element_type=\"column\" data-e-type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t<div class=\"elementor-element elementor-element-55961e8 elementor-widget elementor-widget-image\" data-id=\"55961e8\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<img loading=\"lazy\" decoding=\"async\" width=\"230\" height=\"250\" src=\"https:\/\/grafiti.com\/wp-content\/uploads\/2023\/07\/image005-1.jpg\" class=\"attachment-large size-large wp-image-6099\" alt=\"\" srcset=\"https:\/\/grafiti.com\/wp-content\/uploads\/2023\/07\/image005-1.jpg 230w, https:\/\/grafiti.com\/wp-content\/uploads\/2023\/07\/image005-1-150x163.jpg 150w\" sizes=\"(max-width: 230px) 100vw, 230px\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t<div class=\"elementor-column elementor-col-25 elementor-top-column elementor-element elementor-element-804174c\" data-id=\"804174c\" data-element_type=\"column\" data-e-type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t<div class=\"elementor-element elementor-element-5885091 elementor-widget elementor-widget-image\" data-id=\"5885091\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<img loading=\"lazy\" decoding=\"async\" width=\"235\" height=\"250\" src=\"https:\/\/grafiti.com\/wp-content\/uploads\/2023\/07\/image006.jpg\" class=\"attachment-large size-large wp-image-6105\" alt=\"\" srcset=\"https:\/\/grafiti.com\/wp-content\/uploads\/2023\/07\/image006.jpg 235w, https:\/\/grafiti.com\/wp-content\/uploads\/2023\/07\/image006-150x160.jpg 150w\" sizes=\"(max-width: 235px) 100vw, 235px\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t<div class=\"elementor-column elementor-col-25 elementor-top-column elementor-element elementor-element-5842ed0\" data-id=\"5842ed0\" data-element_type=\"column\" data-e-type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t<div class=\"elementor-element elementor-element-b047976 elementor-widget elementor-widget-image\" data-id=\"b047976\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<img loading=\"lazy\" decoding=\"async\" width=\"243\" height=\"250\" src=\"https:\/\/grafiti.com\/wp-content\/uploads\/2023\/07\/image007.jpg\" class=\"attachment-large size-large wp-image-6111\" alt=\"\" srcset=\"https:\/\/grafiti.com\/wp-content\/uploads\/2023\/07\/image007.jpg 243w, https:\/\/grafiti.com\/wp-content\/uploads\/2023\/07\/image007-150x154.jpg 150w\" sizes=\"(max-width: 243px) 100vw, 243px\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t<div class=\"elementor-column elementor-col-25 elementor-top-column elementor-element elementor-element-bc2320a\" data-id=\"bc2320a\" data-element_type=\"column\" data-e-type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t<div class=\"elementor-element elementor-element-9bb33d2 elementor-widget elementor-widget-image\" data-id=\"9bb33d2\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<img loading=\"lazy\" decoding=\"async\" width=\"245\" height=\"250\" src=\"https:\/\/grafiti.com\/wp-content\/uploads\/2023\/07\/image008.jpg\" class=\"attachment-large size-large wp-image-6117\" alt=\"\" srcset=\"https:\/\/grafiti.com\/wp-content\/uploads\/2023\/07\/image008.jpg 245w, https:\/\/grafiti.com\/wp-content\/uploads\/2023\/07\/image008-150x153.jpg 150w\" sizes=\"(max-width: 245px) 100vw, 245px\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-a59c31a elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"a59c31a\" data-element_type=\"section\" data-e-type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-8e9dc78\" data-id=\"8e9dc78\" data-element_type=\"column\" data-e-type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t<div class=\"elementor-element elementor-element-6661dc9 elementor-widget elementor-widget-heading\" data-id=\"6661dc9\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<h2 class=\"elementor-heading-title elementor-size-default\">Nouvelles caract\u00e9ristiques statistiques\n\n<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-d189347 elementor-widget elementor-widget-text-editor\" data-id=\"d189347\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<p><strong>Am\u00e9lioration des comparaisons <\/strong>multiples &#8211; Une am\u00e9lioration significative a \u00e9t\u00e9 apport\u00e9e au calcul de la valeur P des comparaisons multiples. Les proc\u00e9dures de comparaison multiple suivantes, Tukey (tests non param\u00e9triques), SNK (tests non param\u00e9triques), Dunnett, Dunn (uniquement non param\u00e9triques) et Duncan ne calculent pas les valeurs p de mani\u00e8re analytique, mais utilisent des tables de recherche des valeurs critiques pour une distribution particuli\u00e8re afin de d\u00e9terminer, par interpolation si n\u00e9cessaire, si une statistique de test calcul\u00e9e repr\u00e9sente une diff\u00e9rence significative entre les moyennes des groupes. Par cons\u00e9quent, les valeurs p n&rsquo;ont pas \u00e9t\u00e9 rapport\u00e9es pour ces tests, mais seulement la conclusion sur l&rsquo;existence ou non d&rsquo;une diff\u00e9rence significative. Le probl\u00e8me majeur de cette approche est que les tables de recherche ne sont disponibles que pour deux niveaux de signification, 0,05 et 0,01. Un autre probl\u00e8me est que de nombreux clients souhaitent conna\u00eetre les valeurs p. Pour SigmaPlot, des algorithmes ont \u00e9t\u00e9 cod\u00e9s pour calculer les distributions des statistiques de test pour toutes les proc\u00e9dures post-hoc, ce qui rend les tables de recherche obsol\u00e8tes. En cons\u00e9quence, les valeurs p ajust\u00e9es pour toutes les proc\u00e9dures post-hoc sont d\u00e9sormais incluses dans le rapport. En outre, il n&rsquo;est plus n\u00e9cessaire de limiter le niveau de signification des comparaisons multiples \u00e0 0,05 ou 0,01. Au lieu de cela, le niveau de signification des comparaisons multiples sera le m\u00eame que le niveau de signification du test principal (omnibus). Il n&rsquo;y a pas de limite \u00e0 cette valeur p &#8211; toute valeur valide peut \u00eatre utilis\u00e9e.<\/p>\n<p><strong>Crit\u00e8re d&rsquo;information d&rsquo;Akaike (AICc<\/strong> ) &#8211; Le crit\u00e8re d&rsquo;information d&rsquo;Akaike a \u00e9t\u00e9 ajout\u00e9 aux rapports de l&rsquo;assistant de r\u00e9gression et de l&rsquo;assistant d&rsquo;ajustement dynamique ainsi qu&rsquo;\u00e0 la bo\u00eete de dialogue Options de rapport. Il fournit une m\u00e9thode pour mesurer la performance relative de l&rsquo;ajustement d&rsquo;un mod\u00e8le de r\u00e9gression \u00e0 un ensemble donn\u00e9 de donn\u00e9es. Fond\u00e9 sur le concept d&rsquo;<i>entropie de l&rsquo;information<\/i>, le crit\u00e8re offre une mesure relative de l&rsquo;information perdue lors de l&rsquo;utilisation d&rsquo;un mod\u00e8le pour d\u00e9crire les donn\u00e9es.<\/p>\n<p>Plus pr\u00e9cis\u00e9ment, il s&rsquo;agit d&rsquo;un compromis entre la maximisation de la vraisemblance du mod\u00e8le estim\u00e9 (ce qui revient \u00e0 minimiser la somme des carr\u00e9s r\u00e9siduels si les donn\u00e9es sont normalement distribu\u00e9es) et le maintien au minimum du nombre de param\u00e8tres libres dans le mod\u00e8le, ce qui r\u00e9duit sa complexit\u00e9. Bien que la qualit\u00e9 de l&rsquo;ajustement soit presque toujours am\u00e9lior\u00e9e par l&rsquo;ajout de param\u00e8tres, l&rsquo;<i>ajustement excessif<\/i> augmente la sensibilit\u00e9 du mod\u00e8le aux changements des donn\u00e9es d&rsquo;entr\u00e9e et peut ruiner sa capacit\u00e9 pr\u00e9dictive.<\/p>\n<p>La raison principale de l&rsquo;utilisation de l&rsquo;AIC est de guider la s\u00e9lection d&rsquo;un mod\u00e8le. Dans la pratique, elle est calcul\u00e9e pour un ensemble de mod\u00e8les candidats et un ensemble de donn\u00e9es donn\u00e9. Le mod\u00e8le ayant la plus petite valeur AIC est s\u00e9lectionn\u00e9 comme le mod\u00e8le de l&rsquo;ensemble qui repr\u00e9sente le mieux le \u00ab\u00a0vrai\u00a0\u00bb mod\u00e8le, ou le mod\u00e8le qui minimise la perte d&rsquo;information, ce que l&rsquo;AIC est con\u00e7u pour estimer.<\/p>\n<p>Une fois que le mod\u00e8le avec l&rsquo;AIC minimum a \u00e9t\u00e9 d\u00e9termin\u00e9, une vraisemblance relative peut \u00e9galement \u00eatre calcul\u00e9e pour chacun des autres mod\u00e8les candidats afin de mesurer la probabilit\u00e9 de r\u00e9duire la perte d&rsquo;information par rapport au mod\u00e8le avec l&rsquo;AIC minimum. La vraisemblance relative peut aider l&rsquo;enqu\u00eateur \u00e0 d\u00e9cider si plus d&rsquo;un mod\u00e8le de la s\u00e9rie doit \u00eatre conserv\u00e9 pour un examen plus approfondi.<\/p>\n<p>Le calcul de l&rsquo;AIC est bas\u00e9 sur la formule g\u00e9n\u00e9rale suivante obtenue par <sup>Akaike1<\/sup><\/p>\n<p><img loading=\"lazy\" decoding=\"async\" class=\"aligncenter size-full wp-image-2922\" src=\"https:\/\/inpixonsaves.wpengine.com\/wp-content\/uploads\/2021\/07\/image009.png\" alt=\"\" width=\"123\" height=\"22\"><\/p>\n<p>o\u00f9 <img loading=\"lazy\" decoding=\"async\" class=\"aligncenter size-full wp-image-2924\" src=\"https:\/\/inpixonsaves.wpengine.com\/wp-content\/uploads\/2021\/07\/image010.png\" alt=\"\" width=\"13\" height=\"18\"> est le nombre de param\u00e8tres libres dans le mod\u00e8le et <img loading=\"lazy\" decoding=\"async\" class=\"aligncenter size-full wp-image-2925\" src=\"https:\/\/inpixonsaves.wpengine.com\/wp-content\/uploads\/2021\/07\/image011.png\" alt=\"\" width=\"15\" height=\"18\">est la valeur maximis\u00e9e de la fonction de vraisemblance pour le mod\u00e8le estim\u00e9.<\/p>\n<p>Lorsque la taille de l&rsquo;\u00e9chantillon des donn\u00e9es <img loading=\"lazy\" decoding=\"async\" class=\"aligncenter size-full wp-image-2926\" src=\"https:\/\/inpixonsaves.wpengine.com\/wp-content\/uploads\/2021\/07\/image012.png\" alt=\"\" width=\"13\" height=\"15\">est faible par rapport au nombre de param\u00e8tres<img loading=\"lazy\" decoding=\"async\" src=\"https:\/\/systatsoftware.com\/productcontent\/sigmastat\/stat_images3\/image010.png\" alt=\"\" width=\"13\" height=\"18\" border=\"0\"> (certains auteurs disent que <img loading=\"lazy\" decoding=\"async\" src=\"https:\/\/systatsoftware.com\/productcontent\/sigmastat\/stat_images3\/image012.png\" alt=\"\" width=\"13\" height=\"15\" border=\"0\"> n&rsquo;est pas plus de quelques fois plus grand que <img loading=\"lazy\" decoding=\"async\" class=\"aligncenter size-full wp-image-2927\" src=\"https:\/\/inpixonsaves.wpengine.com\/wp-content\/uploads\/2021\/07\/image013.png\" alt=\"\" width=\"18\" height=\"22\">), l&rsquo;AIC ne sera pas aussi efficace pour prot\u00e9ger contre l&rsquo;ajustement excessif. Dans ce cas, il existe une version corrig\u00e9e de l&rsquo;AIC donn\u00e9e par :<\/p>\n<p><img loading=\"lazy\" decoding=\"async\" class=\"aligncenter size-full wp-image-2928\" src=\"https:\/\/inpixonsaves.wpengine.com\/wp-content\/uploads\/2021\/07\/image014.png\" alt=\"\" width=\"159\" height=\"44\"><\/p>\n<p>On constate que l&rsquo;AICc impose une p\u00e9nalit\u00e9 plus importante que l&rsquo;AIC lorsqu&rsquo;il y a des param\u00e8tres suppl\u00e9mentaires. La plupart des auteurs semblent s&rsquo;accorder sur le fait que l&rsquo;AICc devrait \u00eatre utilis\u00e9 \u00e0 la place de l&rsquo;AIC dans toutes les situations.<\/p>\n<p><strong>Fonctions d&rsquo;ajustement des probabilit\u00e9s<\/strong> &#8211; 24 nouvelles fonctions d&rsquo;ajustement des probabilit\u00e9s ont \u00e9t\u00e9 ajout\u00e9es \u00e0 la biblioth\u00e8que d&rsquo;ajustement standard.jfl. Ces fonctions, ainsi que certaines \u00e9quations et formes graphiques, sont pr\u00e9sent\u00e9es ci-dessous :<\/p>\n<p><img loading=\"lazy\" decoding=\"async\" class=\"aligncenter size-full wp-image-2929\" src=\"https:\/\/inpixonsaves.wpengine.com\/wp-content\/uploads\/2021\/07\/image015.png\" sizes=\"(max-width: 605px) 100vw, 605px\" srcset=\"https:\/\/inpixonsaves.wpengine.com\/wp-content\/uploads\/2021\/07\/image015.png 605w, https:\/\/inpixonsaves.wpengine.com\/wp-content\/uploads\/2021\/07\/image015-300x118.png 300w, https:\/\/inpixonsaves.wpengine.com\/wp-content\/uploads\/2021\/07\/image015-600x236.png 600w\" alt=\"\" width=\"605\" height=\"238\"><\/p>\n<p>Par exemple, le fichier d&rsquo;ajustement de la fonction de densit\u00e9 lognormale contient l&rsquo;\u00e9quation de la densit\u00e9 lognormale lognormden(x,a,b), les \u00e9quations pour l&rsquo;estimation automatique des param\u00e8tres initiaux et les sept nouvelles fonctions de pond\u00e9ration.<\/p>\n<p>[Variables]<\/p>\n<p>x = col(1)<\/p>\n<p>y = col(2)<\/p>\n<p>r\u00e9ciproque_y = 1\/abs(y)<\/p>\n<p>reciprocal_ysquare = 1\/y^2<\/p>\n<p>r\u00e9ciproque_x = 1\/abs(x)<\/p>\n<p>r\u00e9ciproque_xsquare = 1\/x^2<\/p>\n<p>reciprocal_pred = 1\/abs(f)<\/p>\n<p>reciprocal_predsqr = 1\/f^2<\/p>\n<p>poids_Cauchy = 1\/(1+4*(y-f)^2)<\/p>\n<p>Fonctions d&rsquo;estimation automatique des param\u00e8tres initiaux<\/p>\n<p>trap(q,r)=.5*total(({0,q}+{q,0})[data(2,size(q))]*diff(r)[data(2,size(r))])<\/p>\n<p>s=sort(complex(x,y),x)<\/p>\n<p>u = sous-bloc(s,1,1,1, taille(x))<\/p>\n<p>v = sous-bloc(s,2,1,2, size(y))<\/p>\n<p>meanest = trap(u*v,u)<\/p>\n<p>varest=trap((u-meanest)^2*v,u)<\/p>\n<p>p = 1+varest\/meanest^2<\/p>\n<p>[Parameters]<\/p>\n<p>a= if(meanest &gt; 0, ln(meanest\/sqrt(p)), 0)<\/p>\n<p>b= if(p &gt;= 1, sqrt(ln(p)), 1)<\/p>\n<p>[Equation]<\/p>\n<p>f=lognormden(x,a,b)<\/p>\n<p>adapter f \u00e0 y<\/p>\n<p>\u00ab\u00a0ajuster f \u00e0 y avec le poids reciprocal_y<\/p>\n<p>\u00ab\u00a0Ajuster f \u00e0 y avec un poids r\u00e9ciproque (reciprocal_ysquare)<\/p>\n<p>\u00ab\u00a0ajuster f \u00e0 y avec le poids reciprocal_x<\/p>\n<p>\u00ab\u00a0Ajuster f \u00e0 y avec le poids reciprocal_xsquare\u00a0\u00bb \u00ab\u00a0Ajuster f \u00e0 y avec le poids reciprocal_xsquare<\/p>\n<p>\u00ab\u00a0ajuster f \u00e0 y avec le poids reciprocal_pred<\/p>\n<p>\u00ab\u00a0ajuster f \u00e0 y avec le poids reciprocal_predsqr<\/p>\n<p>\u00ab\u00a0ajuster f \u00e0 y avec le poids weight_Cauchy<\/p>\n<p>[Constraints]<\/p>\n<p>b&gt;0<\/p>\n<p>[Options]<\/p>\n<p>tol\u00e9rance=1e-010<\/p>\n<p>stepsize=1<\/p>\n<p>it\u00e9rations=200<\/p>\n<p><strong>Fonctions de poids dans la r\u00e9gression non lin\u00e9aire<\/strong> &#8211; SigmaPlot Les \u00e9l\u00e9ments d&rsquo;\u00e9quation utilisent parfois une variable de poids dans le but d&rsquo;assigner un poids \u00e0 chaque observation (ou r\u00e9ponse) dans un ensemble de donn\u00e9es de r\u00e9gression. Le poids d&rsquo;une observation mesure son incertitude par rapport \u00e0 la distribution de probabilit\u00e9s \u00e0 partir de laquelle elle est \u00e9chantillonn\u00e9e. Un poids plus \u00e9lev\u00e9 indique une observation qui s&rsquo;\u00e9carte peu de la moyenne r\u00e9elle de sa distribution, tandis qu&rsquo;un poids plus faible se r\u00e9f\u00e8re \u00e0 une observation qui est davantage \u00e9chantillonn\u00e9e \u00e0 partir de la queue de sa distribution.<\/p>\n<p>Selon les hypoth\u00e8ses statistiques pour l&rsquo;estimation des param\u00e8tres d&rsquo;un mod\u00e8le d&rsquo;ajustement \u00e0 l&rsquo;aide de l&rsquo;approche des moindres carr\u00e9s, les poids sont, jusqu&rsquo;\u00e0 un facteur d&rsquo;\u00e9chelle, \u00e9gaux \u00e0 la r\u00e9ciproque des variances de population des distributions (gaussiennes) \u00e0 partir desquelles les observations sont \u00e9chantillonn\u00e9es. Nous d\u00e9finissons ici un <i>r\u00e9sidu<\/i>, parfois appel\u00e9 <i>r\u00e9sidu brut<\/i>, comme la diff\u00e9rence entre une observation et la valeur pr\u00e9dite (la valeur du mod\u00e8le d&rsquo;ajustement) pour une valeur donn\u00e9e de la (des) variable(s) ind\u00e9pendante(s). Si les variances des observations ne sont pas toutes identiques<i>(h\u00e9t\u00e9rosc\u00e9dasticit\u00e9<\/i>), une variable de pond\u00e9ration est n\u00e9cessaire et le <i>probl\u00e8me des moindres carr\u00e9s pond\u00e9r\u00e9s<\/i>, qui consiste \u00e0 minimiser la somme pond\u00e9r\u00e9e des carr\u00e9s des r\u00e9sidus, est r\u00e9solu pour trouver les param\u00e8tres les mieux adapt\u00e9s.<\/p>\n<p>Notre nouvelle fonctionnalit\u00e9 permettra \u00e0 l&rsquo;utilisateur de d\u00e9finir une variable de poids en fonction des param\u00e8tres contenus dans le mod\u00e8le d&rsquo;ajustement. Sept fonctions de pond\u00e9ration pr\u00e9d\u00e9finies ont \u00e9t\u00e9 ajout\u00e9es \u00e0 chaque fonction d&rsquo;ajustement (les fonctions 3D sont l\u00e9g\u00e8rement diff\u00e9rentes). Les sept exemples ci-dessous sont 1\/y, <sup>1\/y2<\/sup>, 1\/x, <sup>1\/x2<\/sup>, 1\/pr\u00e9dit, <sup>1\/pr\u00e9dit2<\/sup> et Cauchy.<\/p>\n<p><img loading=\"lazy\" decoding=\"async\" class=\"aligncenter size-full wp-image-2930\" src=\"https:\/\/inpixonsaves.wpengine.com\/wp-content\/uploads\/2021\/07\/image016.jpg\" sizes=\"(max-width: 342px) 100vw, 342px\" srcset=\"https:\/\/inpixonsaves.wpengine.com\/wp-content\/uploads\/2021\/07\/image016.jpg 342w, https:\/\/inpixonsaves.wpengine.com\/wp-content\/uploads\/2021\/07\/image016-300x195.jpg 300w\" alt=\"\" width=\"342\" height=\"222\"><\/p>\n<p>Cette pond\u00e9ration <i>adaptative<\/i> plus g\u00e9n\u00e9rale s&rsquo;applique notamment aux situations o\u00f9 les variances des observations ne peuvent \u00eatre d\u00e9termin\u00e9es avant l&rsquo;ajustement. Par exemple, si toutes les observations sont distribu\u00e9es selon une distribution de Poisson, les moyennes de la population, qui sont ce que les valeurs pr\u00e9dites estiment, sont \u00e9gales aux variances de la population. Bien que l&rsquo;approche des moindres carr\u00e9s pour l&rsquo;estimation des param\u00e8tres soit con\u00e7ue pour des donn\u00e9es normalement distribu\u00e9es, d&rsquo;autres distributions sont parfois utilis\u00e9es avec les moindres carr\u00e9s lorsque d&rsquo;autres m\u00e9thodes ne sont pas disponibles. Dans le cas de <a href=\"http:\/\/en.wikipedia.org\/wiki\/Poisson_regression\" target=\"_blank\" rel=\"noopener noreferrer\">donn\u00e9es de Poisson<\/a>, nous devons d\u00e9finir la variable de poids comme la r\u00e9ciproque des valeurs pr\u00e9dites. Cette proc\u00e9dure est parfois appel\u00e9e \u00ab\u00a0pond\u00e9ration par les valeurs pr\u00e9dites\u00a0\u00bb.<\/p>\n<p>Une autre application de la pond\u00e9ration adaptative consiste \u00e0 obtenir des proc\u00e9dures robustes d&rsquo;estimation des param\u00e8tres qui att\u00e9nuent les effets des valeurs aberrantes. Il peut arriver que quelques observations d&rsquo;un ensemble de donn\u00e9es soient \u00e9chantillonn\u00e9es \u00e0 partir de la queue de leur distribution avec une faible probabilit\u00e9, ou que quelques observations soient \u00e9chantillonn\u00e9es \u00e0 partir de distributions qui s&rsquo;\u00e9cartent l\u00e9g\u00e8rement de l&rsquo;hypoth\u00e8se de normalit\u00e9 utilis\u00e9e dans l&rsquo;estimation par les moindres carr\u00e9s et contaminent ainsi l&rsquo;ensemble de donn\u00e9es. Ces observations aberrantes, appel\u00e9es <i>valeurs aberrantes de la variable r\u00e9ponse<\/i>, peuvent avoir un impact significatif sur les r\u00e9sultats de l&rsquo;ajustement car elles pr\u00e9sentent des r\u00e9sidus (bruts ou pond\u00e9r\u00e9s) relativement importants et gonflent donc la somme des carr\u00e9s que l&rsquo;on cherche \u00e0 minimiser.<\/p>\n<p>Une fa\u00e7on d&rsquo;att\u00e9nuer les effets des valeurs aberrantes est d&rsquo;utiliser une variable de poids qui est une fonction des r\u00e9sidus (et donc aussi une fonction des param\u00e8tres), o\u00f9 le poids attribu\u00e9 \u00e0 une observation est inversement li\u00e9 \u00e0 la taille du r\u00e9sidu. La d\u00e9finition de la fonction de pond\u00e9ration \u00e0 utiliser d\u00e9pend d&rsquo;hypoth\u00e8ses sur les distributions des observations (en supposant qu&rsquo;elles ne soient pas normales) et d&rsquo;un sch\u00e9ma permettant de d\u00e9cider de la taille du r\u00e9sidu \u00e0 tol\u00e9rer. La fonction de pond\u00e9ration de Cauchy est d\u00e9finie en termes de r\u00e9sidus, y-f o\u00f9 y est la valeur de la variable d\u00e9pendante et f la fonction d&rsquo;ajustement, et peut \u00eatre utilis\u00e9e pour minimiser l&rsquo;effet des valeurs aberrantes.<\/p>\n<p>poids_Cauchy = 1\/(1+4*(y-f)^2)<\/p>\n<p>L&rsquo;algorithme d&rsquo;estimation des param\u00e8tres que nous utilisons pour la pond\u00e9ration adaptative, les moindres carr\u00e9s repond\u00e9r\u00e9s de mani\u00e8re it\u00e9rative (IRLS), est bas\u00e9 sur la r\u00e9solution d&rsquo;une s\u00e9quence de <i>probl\u00e8mes de moindres carr\u00e9s \u00e0 pond\u00e9ration constante<\/i> o\u00f9 chaque sous-probl\u00e8me est r\u00e9solu en utilisant notre impl\u00e9mentation actuelle de l&rsquo;algorithme de <a href=\"http:\/\/en.wikipedia.org\/wiki\/Levenberg-Marquardt\" target=\"_blank\" rel=\"noopener noreferrer\">Levenberg-Marquardt<\/a>. Ce processus commence par l&rsquo;\u00e9valuation des poids \u00e0 l&rsquo;aide des valeurs initiales des param\u00e8tres, puis par la minimisation de la somme des carr\u00e9s \u00e0 l&rsquo;aide de ces poids fixes. Les param\u00e8tres les mieux adapt\u00e9s sont ensuite utilis\u00e9s pour r\u00e9\u00e9valuer les poids.<\/p>\n<p>Avec les nouvelles valeurs de poids, le processus ci-dessus de minimisation de la somme des carr\u00e9s est r\u00e9p\u00e9t\u00e9. Nous continuons ainsi jusqu&rsquo;\u00e0 ce que la convergence soit atteinte. Le crit\u00e8re utilis\u00e9 pour la convergence est que l&rsquo;erreur relative entre la racine carr\u00e9e de la somme des r\u00e9sidus pond\u00e9r\u00e9s pour les valeurs actuelles des param\u00e8tres et la racine carr\u00e9e de la somme des r\u00e9sidus pond\u00e9r\u00e9s pour les valeurs des param\u00e8tres de l&rsquo;it\u00e9ration pr\u00e9c\u00e9dente est inf\u00e9rieure \u00e0 la valeur de tol\u00e9rance fix\u00e9e dans l&rsquo;\u00e9quation. Comme pour les autres proc\u00e9dures d&rsquo;estimation, la convergence n&rsquo;est pas garantie.<\/p>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<\/div>\n\t\t","protected":false},"excerpt":{"rendered":"<p>Caract\u00e9ristiques g\u00e9n\u00e9rales Nouvelles fonctionnalit\u00e9s En 2007, les fonctions et caract\u00e9ristiques de SigmaStat ont \u00e9t\u00e9 int\u00e9gr\u00e9es dans SigmaPlot \u00e0 partir de [&hellip;]<\/p>\n","protected":false},"author":1773,"featured_media":0,"parent":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"site-sidebar-layout":"no-sidebar","site-content-layout":"page-builder","ast-site-content-layout":"full-width-container","site-content-style":"unboxed","site-sidebar-style":"unboxed","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"disabled","ast-breadcrumbs-content":"","ast-featured-img":"disabled","footer-sml-layout":"","ast-disable-related-posts":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"default","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"_jet_sm_ready_style":"","_jet_sm_style":"","_jet_sm_controls_values":"","_jet_sm_fonts_collection":"","_jet_sm_fonts_links":"","footnotes":""},"class_list":["post-11856","page","type-page","status-publish","hentry"],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v28.1 - https:\/\/yoast.com\/product\/yoast-seo-wordpress\/ -->\n<title>Nouvelles fonctionnalit\u00e9s de Sigmastat - Grafiti LLC<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/grafiti.com\/sigmastat-new-features\/\" \/>\n<meta property=\"og:locale\" content=\"fr_FR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Nouvelles fonctionnalit\u00e9s de Sigmastat - Grafiti LLC\" \/>\n<meta property=\"og:description\" content=\"Caract\u00e9ristiques g\u00e9n\u00e9rales Nouvelles fonctionnalit\u00e9s En 2007, les fonctions et caract\u00e9ristiques de SigmaStat ont \u00e9t\u00e9 int\u00e9gr\u00e9es dans SigmaPlot \u00e0 partir de [&hellip;]\" \/>\n<meta property=\"og:url\" content=\"https:\/\/grafiti.com\/sigmastat-new-features\/\" \/>\n<meta property=\"og:site_name\" content=\"Grafiti LLC\" \/>\n<meta property=\"article:modified_time\" content=\"2024-01-14T19:09:06+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/grafiti.com\/wp-content\/uploads\/2023\/07\/image001.jpg\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Dur\u00e9e de lecture estim\u00e9e\" \/>\n\t<meta name=\"twitter:data1\" content=\"16 minutes\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/grafiti.com\\\/sigmastat-new-features\\\/\",\"url\":\"https:\\\/\\\/grafiti.com\\\/sigmastat-new-features\\\/\",\"name\":\"Nouvelles fonctionnalit\u00e9s de Sigmastat - Grafiti LLC\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/grafiti.com\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/grafiti.com\\\/sigmastat-new-features\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/grafiti.com\\\/sigmastat-new-features\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/grafiti.com\\\/wp-content\\\/uploads\\\/2023\\\/07\\\/image001.jpg\",\"datePublished\":\"2023-07-26T07:35:00+00:00\",\"dateModified\":\"2024-01-14T19:09:06+00:00\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/grafiti.com\\\/sigmastat-new-features\\\/#breadcrumb\"},\"inLanguage\":\"fr-FR\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/grafiti.com\\\/sigmastat-new-features\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\\\/\\\/grafiti.com\\\/sigmastat-new-features\\\/#primaryimage\",\"url\":\"https:\\\/\\\/grafiti.com\\\/wp-content\\\/uploads\\\/2023\\\/07\\\/image001.jpg\",\"contentUrl\":\"https:\\\/\\\/grafiti.com\\\/wp-content\\\/uploads\\\/2023\\\/07\\\/image001.jpg\"},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/grafiti.com\\\/sigmastat-new-features\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/grafiti.com\\\/fr\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Nouvelles fonctionnalit\u00e9s de Sigmastat\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/grafiti.com\\\/#website\",\"url\":\"https:\\\/\\\/grafiti.com\\\/\",\"name\":\"Grafiti LLC\",\"description\":\"Grafiti LLC\",\"publisher\":{\"@id\":\"https:\\\/\\\/grafiti.com\\\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/grafiti.com\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"fr-FR\"},{\"@type\":\"Organization\",\"@id\":\"https:\\\/\\\/grafiti.com\\\/#organization\",\"name\":\"Grafiti LLC\",\"url\":\"https:\\\/\\\/grafiti.com\\\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\\\/\\\/grafiti.com\\\/#\\\/schema\\\/logo\\\/image\\\/\",\"url\":\"https:\\\/\\\/grafiti.com\\\/wp-content\\\/uploads\\\/2024\\\/01\\\/cropped-logo-2.png\",\"contentUrl\":\"https:\\\/\\\/grafiti.com\\\/wp-content\\\/uploads\\\/2024\\\/01\\\/cropped-logo-2.png\",\"width\":164,\"height\":55,\"caption\":\"Grafiti LLC\"},\"image\":{\"@id\":\"https:\\\/\\\/grafiti.com\\\/#\\\/schema\\\/logo\\\/image\\\/\"}}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Nouvelles fonctionnalit\u00e9s de Sigmastat - Grafiti LLC","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/grafiti.com\/sigmastat-new-features\/","og_locale":"fr_FR","og_type":"article","og_title":"Nouvelles fonctionnalit\u00e9s de Sigmastat - Grafiti LLC","og_description":"Caract\u00e9ristiques g\u00e9n\u00e9rales Nouvelles fonctionnalit\u00e9s En 2007, les fonctions et caract\u00e9ristiques de SigmaStat ont \u00e9t\u00e9 int\u00e9gr\u00e9es dans SigmaPlot \u00e0 partir de [&hellip;]","og_url":"https:\/\/grafiti.com\/sigmastat-new-features\/","og_site_name":"Grafiti LLC","article_modified_time":"2024-01-14T19:09:06+00:00","og_image":[{"url":"https:\/\/grafiti.com\/wp-content\/uploads\/2023\/07\/image001.jpg","type":"","width":"","height":""}],"twitter_card":"summary_large_image","twitter_misc":{"Dur\u00e9e de lecture estim\u00e9e":"16 minutes"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/grafiti.com\/sigmastat-new-features\/","url":"https:\/\/grafiti.com\/sigmastat-new-features\/","name":"Nouvelles fonctionnalit\u00e9s de Sigmastat - Grafiti LLC","isPartOf":{"@id":"https:\/\/grafiti.com\/#website"},"primaryImageOfPage":{"@id":"https:\/\/grafiti.com\/sigmastat-new-features\/#primaryimage"},"image":{"@id":"https:\/\/grafiti.com\/sigmastat-new-features\/#primaryimage"},"thumbnailUrl":"https:\/\/grafiti.com\/wp-content\/uploads\/2023\/07\/image001.jpg","datePublished":"2023-07-26T07:35:00+00:00","dateModified":"2024-01-14T19:09:06+00:00","breadcrumb":{"@id":"https:\/\/grafiti.com\/sigmastat-new-features\/#breadcrumb"},"inLanguage":"fr-FR","potentialAction":[{"@type":"ReadAction","target":["https:\/\/grafiti.com\/sigmastat-new-features\/"]}]},{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/grafiti.com\/sigmastat-new-features\/#primaryimage","url":"https:\/\/grafiti.com\/wp-content\/uploads\/2023\/07\/image001.jpg","contentUrl":"https:\/\/grafiti.com\/wp-content\/uploads\/2023\/07\/image001.jpg"},{"@type":"BreadcrumbList","@id":"https:\/\/grafiti.com\/sigmastat-new-features\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/grafiti.com\/fr\/"},{"@type":"ListItem","position":2,"name":"Nouvelles fonctionnalit\u00e9s de Sigmastat"}]},{"@type":"WebSite","@id":"https:\/\/grafiti.com\/#website","url":"https:\/\/grafiti.com\/","name":"Grafiti LLC","description":"Grafiti LLC","publisher":{"@id":"https:\/\/grafiti.com\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/grafiti.com\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"fr-FR"},{"@type":"Organization","@id":"https:\/\/grafiti.com\/#organization","name":"Grafiti LLC","url":"https:\/\/grafiti.com\/","logo":{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/grafiti.com\/#\/schema\/logo\/image\/","url":"https:\/\/grafiti.com\/wp-content\/uploads\/2024\/01\/cropped-logo-2.png","contentUrl":"https:\/\/grafiti.com\/wp-content\/uploads\/2024\/01\/cropped-logo-2.png","width":164,"height":55,"caption":"Grafiti LLC"},"image":{"@id":"https:\/\/grafiti.com\/#\/schema\/logo\/image\/"}}]}},"_links":{"self":[{"href":"https:\/\/grafiti.com\/fr\/wp-json\/wp\/v2\/pages\/11856","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/grafiti.com\/fr\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/grafiti.com\/fr\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/grafiti.com\/fr\/wp-json\/wp\/v2\/users\/1773"}],"replies":[{"embeddable":true,"href":"https:\/\/grafiti.com\/fr\/wp-json\/wp\/v2\/comments?post=11856"}],"version-history":[{"count":0,"href":"https:\/\/grafiti.com\/fr\/wp-json\/wp\/v2\/pages\/11856\/revisions"}],"wp:attachment":[{"href":"https:\/\/grafiti.com\/fr\/wp-json\/wp\/v2\/media?parent=11856"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}