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 généralisés en
R
1
Objectifs d’apprentissage
2
Préparez-vous pour cet atelier
3
Révision des modèles linéaires
3.1
Modèles linéaires généraux
3.1.1
Définition
3.1.2
Conditions d’utilisation
3.2
Un exemple avec les modèles linéaires généraux
4
Un exemple avec des vrais données
5
Les conditions d’application d’un modèle linéaire
5.1
Prédiction du modèle
5.2
Que faire? Transformer nos données?
6
Les distributions des données biologiques
7
Modèle linéaire généralisé
GLM avec des données binaires
8
GLM avec une distribution binomiale
8.1
GLM avec des données binomiales: lien logit
8.2
Exemple
8.3
Défi 1
8.4
Interpréter la sortie d’une régression logistique
8.4.1
Un exemple avec le lien d’identité
8.4.2
Interprétation avec un lien logit
8.5
Pouvoir prédictif et validation du modèle
8.5.1
Défi 2
8.6
Représentation graphique des résultats
GLM avec des données de proportions
9
GLM binomial avec des proportions
GLM avec des données d’abondance
10
Que faire avec des données d’abondance?
10.1
GLM avec une distribution de Poisson
10.1.1
La distribution de Poisson
10.1.2
GLM de Poisson dans
R
10.1.3
La validation du modèle et le problème de la surdispersion
10.2
GLM avec une distribution quasi-Poisson
10.3
GLM avec une distribution binomiale négative
10.4
Représentation graphique du modèle final
10.4.1
Défi 3
10.5
Conclusion sur les GLM avec des données d’abondance
Autres distributions
11
Autres distributions
Considérations finales
12
Sommaire
13
Ressources additionnelles
14
References
QCBS R Workshop Series
Atelier 6: Modèles linéaires généralisés en
R
Chapitre 14
References