Série d’ateliers R du CSBQ
Préface
0.1
Code de conduite
0.1.1
Comportement attendu
0.1.2
Comportements inacceptables
0.2
Contributeurs et contributrices
0.3
Contribuez à la série!
Modèles linéaires en
R
1
Objectifs d’apprentissage
2
Préparez-vous pour cet atelier
3
Le modèle linéaire
3.1
Qu’est-ce qu’un modèle linéaire ?
3.1.1
Exemple : Abondance et masse des espèces d’oiseaux
3.2
Formulation d’un modèle linéaire
3.3
Évaluation du modèle linéaire
3.4
Conditions d’application du modèle linéaire
3.4.1
Normalité des résidus
3.4.2
Homoscédasticité
3.4.3
Indépendance des résidus
3.5
Notation des modèles linéaires
3.5.1
Notation mathématique
3.5.2
Notation en R
3.6
Effectuer un modèle linéaire
3.6.1
Estimation du modèle
3.7
Modèles linéaires
4
Régression linéaire avec R
4.1
Formulation du modèle
4.1.1
Équation du modèle
4.2
Régression linéaire avec R
4.2.1
Étape 1.
Formuler et exécuter un modèle linéaire
4.2.2
Étape 2.
Vérifier les conditions d’application avec les graphiques diagnostics
4.2.3
Étape 2
. Vérifier les conditions d’application pour
lm1
4.2.4
Conditions non respectées - Quelle est la cause ?
4.2.5
Conditions non respectées - Comment procéder ?
4.2.6
Étape 3.
Analyser les paramètres
4.3
Interprétation du modèle
4.3.1
Trouver un meilleur modèle: oiseaux terrestres
4.4
Défi 2
4.4.1
Solutions
4.5
Régression linéaire avec R
4.6
Noms de variables
5
Test de t et ANOVA
5.1
ANOVA
5.1.1
Types d’ANOVA
5.1.2
Test de t
5.1.3
Effectuer une ANOVA
5.1.4
Vérification des conditions d’application
5.1.5
Exemple avec le jeu de données
bird
5.1.6
Sortie du modèle
5.1.7
Tests complémentaires
5.1.8
Visualisation des résultats
5.1.9
Allons plus loin: Contrastes
5.2
ANOVA à deux critères de classification
5.2.1
Effectuer une ANOVA à deux critères de classification
5.2.2
Diagramme d’interaction
5.3
ANOVA non-équilibrée (section avancée/facultative)
5.4
6. ANCOVA
5.4.1
6.1 Conditions de base
5.4.2
6.2 Types d’ANCOVA
5.4.3
6.3 Effectuer une ANCOVA
6
Régression multiple
6.0.1
Formulation du modèle
6.1
Conditions d’application
6.1.1
En cas de colinéarité
6.2
Régression linéaire multiple dans R
6.2.1
Les données
6.2.2
Vérification des conditions d’application
6.2.3
Régression linéaire
6.2.4
Définir le meilleur modèle
6.3
Régression polynomiale (matériel facultatif)
6.4
Partitionnement de la variation (matériel facultatif)
Considérations finales
7
Résumé
8
Ressources additionnelles
9
Réferences
QCBS R Workshop Series
Atelier 4: Modèles linéaires
Chapitre 9
Réferences