COMPARAISON DES DEUX ORDONNEES OBTENUES PAR LS ET LAD3

Interprétation des résultats :

Le test d’hypothèse nulle H0 :BLAD=0 a été rejeté, ce qui révèle que la pente du modèle LAD est significativement différente de zéro, alors le modèle linéaire peut expliquer la variabilité de la toxicité pCIC50 en fonction du coefficient de partage logP (Octanol /Eau). Les tests statistiques de comparaison entre les modèles LS et LAD font ressortir l’absence de translation ou de rotation de l’une des droites de régression par rapport à l’autre. En outre la comparaison des variances permet de mettre en évidence que les deux modèles ont la même dispersion. En observant l’histogramme et le tableau des erreurs résiduelles, les 9 amines provoquent 47% d’erreurs dans le modèle LAD et 49% d’erreurs dans le modèle LS, ce qui nous fait dire que les deux modèles linéaires simples n’arrivent pas assez à expliquer le comportement des amines. Le modèle LS explique 95.20% de la variabilité de la toxicité pCIC50 en fonction du descente directe donne un modèle LAD avec plus de ∑ ei . Cet algorithme, qualifié de rapide dans la littérature, soufre de défaillances, en sachant que l’algorithme donne de très bons résultats pour d’autres données. ont pu perfectionner le modèle LS et donner moins de 6% de ∑ ei ; ces algorithmes ont donné moins d’erreurs pour 19 composés d’alcools qui présentent 63% de la population, et plus d’erreurs pour les 9 amines et le propan-1-ol et propan-2-ol, ce qui met en question l’hypothèse de la linéarité du modèle de régression (contamination par des valeurs aberrantes) de nos données où les amines sont les suspects ; mais l’estimateur LAD en donnant moins.

Pour étudier la régression LAD entre pCIC50 (concentration d’inhibition 50% de la croissance) et logP (coefficients de partage Octanol/Eau) d’un ensemble de 21 alcools et 9 amines, nous avons traitées ces données par trois algorithmes LAD, pour avoir des modèles de régression linéaires simples. Nous avons ensuite comparé les modèles LAD avec le modèle LS. Les deux algorithmes « Les moindres carrés itérativement re-pondérés » et « L’approche itérative de base» ont pu perfectionner le modèle LS et donner moins de avec les deux approches LAD, prouve sa robustesse par rapport à l’estimateur LS. Ces résultats prouvent que la LAD est une importante alternative à la LS, et nous conduisent à penser que de nouvelles voies de recherche peuvent être envisagées. Comme l’étude des modèles à plusieurs descripteurs « régression multiple ».

Le test d’hypothèse nulle H0 :BLAD=0 a été rejeté, ce qui révèle que la pente du modèle LAD est significativement différente de zéro, alors le modèle linéaire peut expliquer la variabilité de la toxicité pCIC50 en fonction du coefficient de partage logP (Octanol /Eau). Les tests statistiques de comparaison entre les modèles LS et LAD font ressortir l’absence de translation ou de rotation de l’une des droites de régression par rapport à l’autre. En outre la comparaison des variances permet de mettre en évidence que les deux modèles ont la même dispersion. En observant l’histogramme et le tableau des erreurs résiduelles, les 9 amines provoquent 47% d’erreurs dans le modèle LAD et 49% d’erreurs dans le modèle LS, ce qui nous fait dire que les deux modèles linéaires simples n’arrivent pas assez à expliquer le comportement des amines. Le modèle LS explique 95.20% de la variabilité de la toxicité pCIC50 en fonction du Nous avons comparé un par un les modèles LAD avec le modèle LS, les deux algorithmes « Les moindres carrés itérativement re-pondérés » et « L’approche itérative de base» population, et plus d’erreurs pour les 9 amines, le propan-1-ol et le propan-2-ol. L’estimateur LAD, en donnant moins de ∑ ei et moins d’erreurs pour 63% de la population Pour étudier la régression LAD entre pCIC50 (concentration d’inhibition 50% de la croissance) et logP (coefficients de partage Octanol/Eau) d’un ensemble de 21 alcools et 9 amines, nous avons traitées ces données par trois algorithmes LAD, pour avoir des modèles de régression linéaires simples. Nous avons ensuite comparé les modèles LAD avec le modèle LS. Les deux algorithmes « Les moindres carrés itérativement re-pondérés » et « L’approche itérative de base» ont pu perfectionner .